Jan, 2022

消除偏见标签选择偏差的无知图神经网络

PDF
TL;DR本文提出用于消除图神经网络中选择偏差的 Debiased Graph Neural Networks 方法，并通过多个实验验证其超越了现有方法，DGNN 是增强现有 GNN 的灵活框架。
graph neural networksselection biasparameter estimationdebiased graph neural networksdifferentiated decorrelation regularizer
发现论文，激发创造
  • 通过学习解耦因果子结构来消除图神经网络的偏见

    本文研究了图神经网络的偏差问题及其对泛化性能的影响，并提出了一种能够将因果关系和偏差变量进行分离的图神经网络框架，其中利用参数化边缘生成器将输入图形分为因果图和偏差子图并分别训练两个 GNN 模块，实现了对原模型的改进并取得了超越基线模型的泛化效果。

    Sep, 2022

  • 建模和减轻图神经网络的数据偏差

    该论文提出了利用 EDITS 框架通过减少有偏数据来减轻 GNN 模型的偏见，以实现更公平的结果。在新提出的度量指标的引导下，EDITS 可以以模型无关的方式优化输入数据，从而解决针对不同应用场景中不同 GNN 模型的偏差问题，并且不会降低 GNN 模型的性能。

    Aug, 2021

  • 图神经网络中广义程度公平性的研究

    本文针对传统图神经网络中存在的公平性问题，提出了一种新的 GNN 框架，使用可学习的去偏函数来消除不同节点间的度数差异所导致的偏差，以解决节点分类问题中存在的偏差。

    Feb, 2023

  • Shift-Robust GNNs: 克服局部图训练数据的局限性

    本文提出一种称为 Shift-Robust GNN（SR-GNN）的方法，用于解决在真实世界场景下，由于数据获取昂贵和天生偏见而导致的数据采样不均衡问题，SR-GNN 可以适应节点标签采集偏差和数据分布转移等差异，从而实现半监督学习任务中的更好泛化效果。在多个实验中，SR-GNN 在常见 GNN 基准数据集上的表现优于其他 GNN 基线，并成功消除了偏差训练数据引入的至少～40% 的负面影响。

    Aug, 2021

  • 关于对非分布式图形泛化图形神经网络

    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

  • 标签噪声下的图学习

    本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。

    Jun, 2023

  • 通过节点归因解释图神经网络中的不公正性

    本文提出了一种新的策略 PDD，它可以衡量 GNN 中表现出的偏见，并开发了一种算法来有效地估计每个训练节点对此偏见的影响力。在真实世界的数据集上进行实验验证了 PDD 的有效性和影响力估计的有效性，并演示了如何使用该框架进行 GNN 去偏见化。

    Nov, 2022

  • 稳健的图神经网络通过无偏聚合

    通过对代表性鲁棒性图神经网络的鲁棒性分析，我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器，并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题，在图神经网络中展开为鲁棒无偏的聚合层，并具有理论上的收敛保证。我们的综合实验证实了我们提出模型的强鲁棒性，剖析研究深入认识了其优势。

    Nov, 2023

  • 学习重新加权用于图神经网络

    本研究探讨了图神经网络在分布发生偏移的情况下的泛化能力问题，并提出了学习重加权以增强泛化能力的新方法 L2R-GNN，通过对图表示变量进行聚类和学习权重以去除不同类别之间的相关性，有效改善了图神经网络的泛化能力，并在各种图预测基准测试中取得了优异的性能。

    Dec, 2023

  • 解决图神经网络中本地化训练数据的影响

    通过规范化方法，适应并改善模型在局部训练数据和整个图预测过程中的表现，提高图神经网络模型对非分布式数据的适应能力和泛化性能。

    Jul, 2023