近年来，对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差，并提出了一种考虑因果图中的附加信息的新模型 NN-CGC，通过对模型实施新的约束，解决了来自虚假变量相互作用造成的偏差，并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试，结果表明，我们的模型约束带来了显著的改进，在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性，并且使用部分因果信息要优于忽略它。

Apr, 2024

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

本研究介绍了如何利用图重构技术来解决图神经网络架构存在的理论和实践问题，从而提高其表现力并实现应用于现实世界中的性能提升。

Oct, 2021

连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

Aug, 2023

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

我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架，通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型，能够消除治疗与协变量之间的线性和非线性依赖关系，并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明，该 DRL 模型在学习去混淆表示方面表现卓越，并且胜过了针对连续治疗的最先进的反事实推理模型。此外，我们将该 DRL 模型应用于实际的医疗数据集 MIMIC，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

Jul, 2023

研究提出了一种基于分解的连续图表示学习框架 (DiCGRL)，可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。

Oct, 2020

本文提出了 Causal Graph Routing（CGR）框架，通过干预机制揭示数据中隐藏的因果关系，并在计算机视觉和自然语言处理领域的任务中超过当前最先进方法，具有建立具有因果性的预训练大规模模型的潜力，以在更广泛的语义空间内提高机器对因果关系的理解能力。

Nov, 2023

该论文提出了一种新的跨图关系学习模型，将其建模为一个凸优化问题，通过使用标记和未标记元组进行传导学习，并提供了一个可扩展算法，保证了最优解，并且与输入图的规模成线性时间复杂度。

May, 2016

我们在图表示学习中发现了一种社区偏见放大现象，它指的是图表示学习在不同类别之间加剧了性能偏见。我们从新颖的光谱角度对该现象进行了深入的理论研究，发现社区之间的结构偏见导致了节点嵌入的局部收敛速度不同，这一现象导致了下游任务分类结果的偏见放大。基于理论洞察，我们提出了随机图粗化来有效解决上述问题。最后，我们提出了一种名为随机图粗化对比学习（RGCCL）的新颖图对比学习模型，它利用随机粗化作为数据增强，并通过将粗化的图与原始图进行对比来减轻社区偏见。我们在各种数据集上进行了大量实验证明了我们的方法在处理社区偏见放大时的优势。

Dec, 2023