Apr, 2023

图上的反事实学习：一份综述

PDF
TL;DR本综述分四个主要方向，对图形反事实学习的现有方法进行分类和全面的审查。我们提出有前途的未来研究方向，并为未来研究编制了一份资源清单。我们还提供了一份开放源代码实现、公共数据集和常用评估度量标准的列表。本文的目的是为构建图形反事实学习类别和当前资源的统一理解提供 “一站式” 服务，并将维护论文和资源的知识库，并将不断更新此资源。
graph counterfactual learninggraph neural networksinterpretable machine learningcausal inferencefairness
发现论文，激发创造
  • 基于图反事实方法的图神经网络公平性改进

    本研究提出了一种基于因果理论的框架，即 CAF，用于解决图学习中的公平性问题，通过选择训练数据中的反事实因素来学习公平的节点表示，以避免非现实反事实因素，并在合成和真实数据集上进行了广泛的实验验证其有效性。

    Jul, 2023

  • 基于反事实推理和事实推理的图神经网络解释的学习和评估

    本文提出了一种新的可解释 AI 方法 CF^2，结合因果推断理论的概念，通过优化问题，生成了一种两个因果视角的模型无关框架，用于产生 GNN 解释，并提供了一组基于对照和实际推理的度量方法，用于定量评估生成解释的必要性和充分性，实验证明在真实世界的数据集上，无论是否提供基本真理解释，CF^2 的生成解释都比以前的最先进方法更好。

    Feb, 2022

  • 可解释性大脑网络分类的反事实图

    本文提出了反事实图（counterfactual graphs）作为黑盒图分类器的后解释，然后提出和比较了几种反事实图搜索策略。测试结果表明，虽然该方法是启发式的，但它可以产生非常接近最优反事实图的结果，并展示如何使用反事实图来构建全局解释，以正确捕获不同黑盒分类器的行为并为神经学家提供有趣的见解。

    Jun, 2021

  • 图形对抗性解释概述：定义，方法和评估

    本文系统地总结了现有的基于图神经网络的反事实解释方法，提供了统一的框架和常用指标以便于比较研究优缺点，并探讨了隐私和公平方面的问题。

    Oct, 2022

  • 全局对抗性解释器用于图神经网络

    本研究提出了 GCFExplainer 算法来解释图神经网络的全局可解释性，通过全局反事实推理寻找一组代表性的反事实图形，实验结果表明与现有局部反事实解释器相比，GCFExplainer 算法能够提供更重要的高层次 Model 行为见解，并以 46.9% 的弥补覆盖率和 9.5% 的弥补成本降低取得更好的结果。

    Oct, 2022

  • 带有监督对比正则化的公平图神经网络

    我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

    Apr, 2024

  • 使用图对抗公平性学习公平节点表示

    本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比性。

    Jan, 2022

  • 图学习：综述

    本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

    May, 2021

  • 图编辑用于反事实解释：一种统一的图神经网络方法

    通过引入图形编辑作为反事实解释，将输入数据表示为图形，寻找一条最短的图形编辑路径，以达到黑盒分类器提供的替代分类标签。

    Jan, 2024

  • 探索因果学习通过图神经网络：深度综述

    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