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。

Jan, 2022

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。

Jun, 2022

该研究论文提出了一种因果解缠多粒度图表示学习方法（CDM-GNN），用于解决图数据建模中多粒度特征的融合问题，该方法在图分类任务中表现出强大的性能，并生成与人类认知模式相一致的解释结果。

Oct, 2023

本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

Mar, 2019

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

基于对比学习方法的成功，该文提出一种用于图上对比解缩的框架，采用了解缩编码器和两个经过精心设计的自监管信号，并使用该框架在 3 个引文网络上进行节点分类任务，实验结果验证了该框架的有效性。

Jun, 2023

图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

Nov, 2023

从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。

Jun, 2024

在图神经网络的端到端图表示学习中，由于图数据中复杂的因果关系和规则使得模型准确捕捉真实数据关系变得困难。本文提出一种缓解策略，即将与图数据对应的规则或关系直接整合到模型中。然而，在图表示学习领域中，图数据的固有复杂性阻碍了建立一个包含整个数据集的普遍规则或关系的全面因果结构的推导。相反，只有专门的因果结构，揭示了约束子集内的特定因果关系。基于经验见解，我们观察到 GNN 模型在训练过程中收敛于这些专门的因果结构。因此，我们认为引入这些特定的因果结构有助于 GNN 模型的训练。在这一前提下，我们提出了一种新方法，使 GNN 模型能够从这些专门的因果结构中获得洞察力，从而提高整体性能。我们的方法特别从这些特定的因果结构的模型表示中提取因果知识，并引入交换干预来优化学习过程。理论分析证实了我们提出方法的有效性。此外，实证实验在不同数据集上一致地展示了显著的性能改进。

Jun, 2024

通过学习预测哪些边可以被删除的分类器，我们提出了解释 GNN 模型预测的后续方法，并将其用作两个任务（问答和语义角色标记）的属性方法，分析信息流并证明删除大量边缘不会使模型性能下降，同时可以分析其余边缘以解释模型预测。

Oct, 2020