在零膨胀分布下缓解对抗性时空图学习中的性能差异
机器学习
2025-04-02 v1
摘要
在零膨胀分布 (ZID) 下的时空图学习 (SGL) 对城市风险管理任务至关重要，包括犯罪预测和交通事故剖析。然而，SGL 模型易受对抗性攻击，可能捐害其实际用途。虽然对抗性训练 (AT) 已被广泛用于增强模型鲁棒性，但本研究发现传统 AT 会恶化 ZID 下 majority 类与 minority 类之间的性能差异，可能导致因低报关键风险事件而产生不可挽回的损失。本文首先证明，minority 类具有更小的 top-k 梯度和较低的可分离性是导致此差异的关键因素。为解决此问题，我们提出了用于 Minority Class Gradients and Representations Enhancement 的 MinGRE 框架。MinGRE 采用多维注意力机制对时空梯度进行重加权，从而最小化跨类的梯度分布差异。此外，我们引入不确定性引导的对比损失，以提高 minority 表示在类别间的可分离性和类别内的紧凑性。广泛的实验表明，MinGRE 框架不仅显著降低了跨类的性能差异，还实现了比现有基线方法更好的鲁棒性。这些发现凸显了该方法在培育更公平且更稳健的模型方面的潜力。
引用
@article{arxiv.2504.00721,
title = {Alleviating Performance Disparity in Adversarial Spatiotemporal Graph Learning Under Zero-Inflated Distribution},
author = {Songran Bai and Yuheng Ji and Yue Liu and Xingwei Zhang and Xiaolong Zheng and Daniel Dajun Zeng},
journal= {arXiv preprint arXiv:2504.00721},
year = {2025}
}