用于节点分类的可编辑图神经网络
机器学习
2023-05-26 v1 社会与信息网络
摘要
尽管图神经网络（GNNs）在许多基于图的学习问题中取得了显著成功，例如金融网络中的信用风险评估和社交网络中的假新闻检测，但训练好的 GNNs 仍会犯错，且这些错误可能对社会造成严重负面影响。模型编辑（model editing）旨在纠正模型在错误预测的目标样本上的行为，同时保持模型在不相关样本上的预测不变，已在计算机视觉和自然语言处理领域引起极大关注。然而，尽管 GNNs 应用广泛，针对图神经网络（GNNs）的模型编辑却鲜有探索。为填补这一空白，我们首先观察到现有模型编辑方法在 GNNs 中会使预测精度显著下降（精度下降高达 ），而在多层感知机（MLP）中仅轻微下降。这一观察背后的原因是 GNNs 中的节点聚合会将编辑效应扩散至整个图，这种传播使节点表示远离其原始表示。受此启发，我们提出可编辑图神经网络（EGNN），一种无邻居传播的方法，用于纠正底层 GNNs 对误分类节点的预测。具体而言，EGNN 简单地将一个 MLP 拼接至底层 GNNs，且在模型编辑过程中冻结 GNNs 的权重。以此方式，EGNN 在编辑时禁用传播，同时仍利用邻居传播机制进行节点预测以获得满意结果。实验表明，在多个图数据集上，EGNN 在有效性（以更低精度下降纠正错误预测）、泛化性（纠正其他相似节点的错误预测）和效率（低训练时间与内存）方面均优于现有基线。
引用
@article{arxiv.2305.15529,
title = {Editable Graph Neural Network for Node Classifications},
author = {Zirui Liu and Zhimeng Jiang and Shaochen Zhong and Kaixiong Zhou and Li Li and Rui Chen and Soo-Hyun Choi and Xia Hu},
journal= {arXiv preprint arXiv:2305.15529},
year = {2023}
}