KDDJun, 2022

图神经网络偏差结构解释

PDF
TL;DR本研究旨在提供一种使用结构解释方法对图神经网络中的偏置性进行分析的框架，并提取贡献最大、偏置最小的两组边用于提高预测的公正性。经实验证明该框架在真实世界数据集上的可行性和有效性。
graph neural networksbiasstructural explanationfairnessreal-world datasets
发现论文，激发创造
  • 图神经网络的忠实和一致解释

    从因果关系的角度理论分析图神经网络的预测，并提出了一种简单而有效的对齐嵌入算法来消除潜在的分布偏移对解释的影响，以优化更忠实的解释目标。

    May, 2022

  • 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

  • 解密图神经网络解释

    该研究论文探讨了关于图神经网络（GNNs）在决策过程中透明度不足的问题，并针对生成 GNNs 解释的方法和数据的评估，研究了三个主要领域的普遍问题：（1）合成数据生成过程，（2）评估指标，以及（3）解释的最终呈现。此外，本文进行了一项实证研究，探讨了这些问题的意外后果，并提出了缓解这些问题的建议。

    Nov, 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

  • 图神经网络的鲁棒性因果解释

    提出了一种能够生成对于噪音稳健且符合人类直觉的图神经网络的可靠反事实解释的新方法，该方法明确地对相似输入图的常见决策逻辑进行建模，并从许多相似输入图的公共决策边界中产生可靠的解释。

    Jul, 2021

  • 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

  • 图神经网络中度偏见的理论和实证研究

    图神经网络（GNN）在节点分类任务中通常对高度节点优于低度节点，而这种度偏见由于众多假设的不严格验证以及可能的矛盾而加剧了社会边缘化。本论文通过分析不同图过滤器的信息传递 GNN 的度偏差的起源，证明了无论 GNN 如何被训练，高度测试节点都倾向于存在更低的误分类概率。此外，论文还说明了度偏见源于与节点度相关的各种因素（如邻居的同质性和多样性）。通过将发现与先前提出的度偏差起源的假设相连接，论文支持和统一了某些假设，同时对其他假设提出了疑问。论文在 8 个常见实际网络上验证了理论发现，并基于理论和实证研究结果，描述了减轻度偏见的路线图。

    Apr, 2024

  • 图神经网络对结构噪声有多强健？

    该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

    Dec, 2019

  • 图神经网络的因子化解释器

    我们展示了在传统方法无法获得满足可解释性准则的解释时，一种基于修改后的图信息瓶颈原理的因子解释模型的有效性，并进行了广泛实验证实。

    Dec, 2023