グラフニューラルネットワーク（GNN）は構造化データからの学習に優れていますが、回帰タスクでの公正性は十分に探求されていません。既存のアプローチは主に分類や表現レベルの偏見除去に焦点を当てていますが、ノードレベルの回帰の連続的な特性に完全には対応できません。本研究では、GNNベースのノード回帰のための公正性を意識した処理フレームワークFnRGNNを提案します。このフレームワークは、構造レベルのエッジ再重み付け、MMDによる表現レベルの整合、Sinkhornに基づく分布マッチングによる予測レベルの正規化という三つのレベルで介入を行います。この多層戦略により、複雑なグラフトポロジーの下でも堅牢な公正性が確保されます。実験では、FnRGNNがパフォーマンスを犠牲にせずにグループ間の格差を減少させることを示しています。