Oct, 2023

基于元数据的理解图神经网络方法

PDF
TL;DR通过对多元稀疏回归分析来从元数据中派生得到一系列显著的数据属性，本文提出了一种基于元数据的方法，分析了图神经网络对图数据属性的敏感性，并通过理论分析和控制实验验证了平衡度分布与 GNN 性能之间的关系，从而验证了该基于元数据的方法在识别 GNN 关键数据属性方面的有效性。
graph neural networksmetadata-driven approachsensitivity analysisdegree distributiongnn performance
发现论文，激发创造
  • 通过元数据正交训练单元对图嵌入进行去偏置

    本文提出了一种元数据正交节点嵌入训练（MONET）方法，在处理存在元数据相关性的节点邻域时，大大减少或消除了算法的偏见以实现公平，这种方法将节点嵌入组织成一个只有拓扑结构和元数据的分离体，并证明了 MONET 在各种真实世界图上的效果。

    Sep, 2019

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 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

  • 超几何基准测试揭示了图神经网络性能与网络拓扑特征的关系

    我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

    Jun, 2024

  • DEGREE: 基于分解的图神经网络解释方法

    本文提出 DEGREE 方法，通过分解 GNN 信息生成和聚合机制，实现对输入图中特定组件对最终预测的贡献的跟踪，并设计了子图级别解释算法来揭示先前方法忽略的图节点之间的复杂交互，实现了节点分类任务上的有效性。

    May, 2023

  • 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

  • 灵活表示多模块图神经网络以实现更好的泛化

    本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

    Sep, 2022

  • 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

  • 消除偏见标签选择偏差的无知图神经网络

    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

  • 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