图分类中捕获边缘因果信号以应对标签不平衡
机器学习
2025-01-08 v2
摘要
尽管在图上的因果研究及其应用于破解标签不平衡方面取得了显著进展，但在检测图中因果效应的过程中，边特征的作用仍被大体忽视，这使得现有方法在进一步提升性能方面潜力未被充分发掘。在本文中，我们通过有效利用边信息来增强因果注意力机制，以分离原图中的因果子图，并进一步利用边特征来重塑图的表示。我们的设计捕获了更为全面的因果信号，导致在标签不平衡的图分类任务上取得改进。我们在真实数据集PTC、Tox21和ogbg-molhiv上进行评估，观察到相对于基线方法实现了提升。总体而言，我们强调了边特征在图因果检测中的重要性，并为解决图层级任务中的标签不平衡问题提供了一条有前景的方向。模型实现细节和代码已 disponible于 https://github.com/fengrui-z/ECAL。
引用
@article{arxiv.2501.01707,
title = {Catch Causal Signals from Edges for Label Imbalance in Graph Classification},
author = {Fengrui Zhang and Yujia Yin and Hongzong Li and Yifan Chen and Tianyi Qu},
journal= {arXiv preprint arXiv:2501.01707},
year = {2025}
}
备注
ICASSP 2025