图神经网络中因果关系学习的重新思考
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
在这篇综述中,我们针对当前图神经网络(Graph Neural Networks,GNNs)的信任度问题,介绍了最近关于启发于因果关系的 GNNs 的研究,并提出了基于因果学习能力的 Causality-Inspired GNNs(CIGNNs)的分类和典型方法,以及它们如何缓解信任度风险。我们还总结了有用的资源,并探讨了在这个新兴领域中的几个未来方向,希望能够为新的研究机会提供启示。
Dec, 2023
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
本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络(CGNN),通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素,并使用反向传播来学习可微分的数据生成模型。通过大量实验,发现在因果推断、v - 结构识别和多元因果发现方面,CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。
Nov, 2017
通过图神经网络将原因与复杂变量之间的因果机制显式建模,提高了欧洲北方和地中海生物群系野火模式预测的性能。该方法在高度不平衡的数据集中表现出卓越的性能,并增强了模型适应功能关系变化的稳健性。通过训练模型得到的 SHAP 值进一步增强了我们对模型内在工作原理的理解。
Mar, 2024
本研究介绍了一种名为 Causal Generative Neural Networks (CGNN) 的新方法,它利用神经网络学习观测变量联合分布的生成模型,具有线性复杂度且在三个任务中表现良好,包括因果推断、识别 v-structures 和有条件独立性,以及多变量因果建模。
Sep, 2017