图神经网络回归中的残差相关性
本文提出一种名为 GRAPHEDM 的综合方法,旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来,构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中,本方法具有很高的通用性,从而提供了理解这些方法背后的直觉基础,促进了此领域未来研究的发展。
May, 2020
本文研究如何有效地利用两种类型的信息来提高节点预测任务的性能,即图的表示信息和相关信息,并通过提出基于Copula Graph Neural Network的模型解决了GNN模型无法充分利用相关信息的问题。实验结果表明,该方法在两种类型的回归任务上具有良好的效果。
Oct, 2020
通过实验证明,在许多标准的节点分类基准测试中,结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比GNN在性能上优秀或者与之匹配,同时仅需使用一小部分GNN的参数并拥有更快的运行时间。
Oct, 2020
本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法, 并给出了一个新的算法叫做线性图卷积, 在实际数据上表现出色。
Jan, 2021
本文提出了一种名为 StableGNN 的基于因果关系的图神经网络框架,该框架从图数据中提取高级表示,并利用因果推断的区分能力帮助模型消除虚假相关性,具有良好的有效性、灵活性和解释性。
Nov, 2021
本研究提出Causal Attention Learning (CAL)策略,利用因果推断来处理图分类过程中存在的confounding effect of shortcuts,该方法借助注意力模块估计因果特征和快捷特征,并对因果理论进行参数化背门调整。实验结果表明,CAL策略在合成和真实数据集上均取得了良好的效果。
Dec, 2021
图神经网络(GNNs)在预测属性图中节点标签的关键人类应用中越来越常见。然而,GNNs 聚合邻居节点的特征以提高分类准确性的能力也可能加剧数据中现有的偏见或向保护性人口群体引入新的偏见。因此,必须量化 GNNs 的偏见程度以及减轻其有害效应的程度。为此,我们提出了两种新的与 GNN 无关的干预方法,即 PFR-AX 和 PostProcess,分别通过减少受保护群体和非受保护群体之间的可分性以及基于黑盒策略更新模型预测来最小化人口群体之间的误差率差异。通过对四个数据集进行大量实验,我们通过算法公平准确性权衡的角度来衡量我们方法及三种变体的效果,并与三个先进的 GNN 模型的三种强基准干预进行对比。我们的结果表明,没有一个单一的干预能够提供普遍最佳的权衡,但 PFR-AX 和 PostProcess 提供了细粒度的控制,并在正确预测受保护群体节点的正向结果时提高了模型的置信度。
Aug, 2023
深度神经网络的输出通常无法准确反映我们所预测事件的真实概率,而图神经网络在节点级别的分类中显示相反的行为,但在预测链接时,图神经网络通常表现出不同行为。本文提出了IN-N-OUT方法,通过对边缘分配真/假标签,来改善图神经网络在链接预测中的校准,实验证明其在这一特定任务上明显优于现有的基准方法。
Mar, 2024