May, 2022

值得信赖的图神经网络：方面、方法和趋势

PDF
TL;DR本文提出了一个全面的路线图，从各种涉及的计算技术的角度建立可信任的图神经网络；介绍了可信任的图神经网络的六个方面的基本概念和全面总结了现有的研究，包括鲁棒性、可解释性、隐私、公平性、问责性和环境福祉，并强调了这些方面之间错综复杂的关系；最后，我们对促进可信赖的图神经网络的研究和产业化的趋势进行了全面的概述。
graph neural networkstrustworthyrobustnessexplainabilityfairness
发现论文，激发创造
  • 关于可信图神经网络的综合调查：隐私、鲁棒性、公正性和可解释性

    本文对图神经网络在隐私、鲁棒性、公平性和可解释性等计算方面进行了全面的调查，为不同方面的值得信任的 GNN 模型提供了发展框架和方法论。

    Apr, 2022

  • 基于因果视角的可信图神经网络调研

    在这篇综述中，我们针对当前图神经网络（Graph Neural Networks，GNNs）的信任度问题，介绍了最近关于启发于因果关系的 GNNs 的研究，并提出了基于因果学习能力的 Causality-Inspired GNNs（CIGNNs）的分类和典型方法，以及它们如何缓解信任度风险。我们还总结了有用的资源，并探讨了在这个新兴领域中的几个未来方向，希望能够为新的研究机会提供启示。

    Dec, 2023

  • 图神经网络可解释性调查

    本文综述了现有的图神经网络可解释性技术，提出了分类方法并分别讨论了各类的优缺点、应用场景及评估指标，以协助研究人员和从业者了解现有的可解释性方法，识别不足并促进可解释性机器学习的进一步发展。

    Jun, 2023

  • 计算图神经网络：从算法到加速器的综述

    该研究论文通过对 GNNs 的计算效率进行探讨，提供了该领域的回顾，包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结；同时，提供了对当前软件和硬件加速方案的深入分析，并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。

    Sep, 2020

  • 公平感知的图神经网络：一份调查

    通过对图神经网络的公平性技术进行分类和研究，本文介绍了改善图神经网络公平性的先前工作，包括预处理步骤、训练过程和后处理阶段，同时提出了公平性评价指标的直观分类，并对用于基准测试的图数据集进行了总结，还针对未解决的关键问题和挑战进行了讨论。

    Jul, 2023

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 分布式图神经网络训练：综述

    这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法：GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后，本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统，并就可伸缩 GNNs 的未来方向进行了讨论。

    Nov, 2022

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 图神经网络中因果关系学习的重新思考

    通过构建人工合成数据集和进行实验验证，本论文从因果学习的角度综合分析了各种图神经网络模型，在此基础上提出一种轻量且高度适应性的图神经网络模块，以增强其因果学习能力。

    Dec, 2023

  • 图神经网络中的不确定性研究

    通过综述现有的图卷积神经网络预测不确定性理论与方法，以及相关任务，我们主要关注不确定性的集成，这旨在增强模型性能与预测可靠性，从而桥接理论与实践，并连接不同的图卷积神经网络社区，同时为这个领域提供了有价值的研究方向。

    Mar, 2024