KDDJul, 2022

图神经网络在异质临近度下的公平性

PDF
TL;DR本文研究了节点分类的任务，并建立了群体公平性（以统计平衡和平等机会方式衡量）与局部同配性之间的联系，即链接节点具有相似属性的趋势，在社交网络中，这种同配性通常是由于同质性引起的，而同质性可以迫使个人进入共享敏感属性的社区；通过合成图，我们研究了本地同质性和公平预测之间的相互作用，发现并非所有节点邻域在这方面都是平等的。本文还研究了是否可以将不公平问题与应用 GNN 模型的设计相关联，我们发现采用能够处理非同配组标签的异质性 GNN 设计可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达 25％，优于同质性设计。
node classificationgraph neural networksgroup fairnesshomophilyheterophilous gnn designs
发现论文，激发创造
  • 同赋关系对于图神经网络的必要性？

    本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

    Jun, 2021

  • 图神经网络中本地同质水平的性能差异

    理论和实证研究表明，图神经网络可能过度依赖于用于训练的全局同质性，需要设计出更适应大范围局部同质性的图神经网络。

    Jun, 2023

  • 重新审视异质性对图神经网络的影响

    本文通过重新评估广泛使用的同质性度量，并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法，并证明了 local diversification operation 可以有效解决一些有害的异质性情况，然后提出了 Adaptive Channel Mixing（ACM）框架来自适应地利用聚合，多样性和标识通道，从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估，ACM-augmented 基线始终实现了显着的性能提升，超过大多数任务上的最新 GNN，而不会带来显着的计算负担。

    Oct, 2022

  • 异质图上的图神经网络综述

    本文首次全面回顾了异态图神经网络，提出了系统的分类法，分析了主要异态图神经网络模型，总结了主流异态图基准，并指出了未来研究和应用方向。

    Feb, 2022

  • 异质性如何影响图神经网络的鲁棒性？理论联系和实践含义

    研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系，并且证实采用相应设计原则可以提高 GNN 的鲁棒性，实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性，并且采用防御机制可以使其鲁棒性更强，性能提高达 18.33%。

    Jun, 2021

  • 异质分布传播的图神经网络

    本研究提出了异质分布传播（HDP）用于图神经网络，通过在训练期间基于伪指派将邻居自适应分为同质和异质部分，通过可信原型对比学习范式的正交性约束学习异质邻居分布，并通过一种新颖的语义感知信息传递机制传播同质和异质模式，实验证明该方法在异质数据集上优于代表性基线方法。

    May, 2024

  • 图神经网络结构差异的解密：一个大小适合所有问题么？

    本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界，并通过特征聚合距离和同质比异质性差异解释了性能差异，并证实了较深的 GNN 的有效性。此外，我们发现了图形分布偏移问题的一个新因素，并提出了相应的新场景。

    Jun, 2023

  • 异质友善信息增强图神经网络

    在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

    Mar, 2024

  • 图神经网络中超越同构性：现有限制与有效设计

    该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

    Jun, 2020

  • 异质性是否对图神经网络进行节点分类造成实质性威胁？

    本文提出了 Adaptive Channel Mixing 框架，利用聚合，多样化和恒等通道来以自适应的方式解决 Graph Neural Networks 中的有害异质性问题，并在 10 个真实世界节点分类任务中获得了显着的性能提升。

    Sep, 2021