从因果视角看图机器学习的分布外泛化综述

Jing Ma

从因果视角看图机器学习的分布外泛化综述

机器学习 2024-10-17 v3 人工智能

作者: Jing Ma

摘要

图机器学习(GML)已成功应用于广泛的任务中。尽管如此，GML在分布外(OOD)数据上的泛化面临重大挑战，这引发了对其更广泛适用性的担忧。最近的进展强调了因果驱动方法在克服这些泛化挑战中的关键作用。与主要依赖统计依赖性的传统GML方法不同，因果聚焦策略深入探究数据生成和模型预测的潜在因果机制，从而显著提高了GML在不同环境下的泛化能力。本文全面回顾了因果介入的GML泛化方面的最新进展。我们阐明了利用因果性增强图模型泛化的基本概念，并对各种方法进行了分类，详细描述了它们的方法论以及它们之间的联系。此外，我们探讨了因果性在可信GML其他相关重要领域(如可解释性、公平性和鲁棒性)中的整合。最后，讨论了潜在的未来研究方向，本综述旨在阐述因果性在增强图机器学习可信度方面的持续发展和未来潜力。

关键词

图机器学习分布外泛化因果性可信机器学习综述

引用

@article{arxiv.2409.09858,
  title  = {A Survey of Out-of-distribution Generalization for Graph Machine Learning from a Causal View},
  author = {Jing Ma},
  journal= {arXiv preprint arXiv:2409.09858},
  year   = {2024}
}

备注

15 pages, 2 figures, 1 table

从因果视角看图机器学习的分布外泛化综述

摘要

关键词

引用

备注

相关论文