NeuBM：通过中性输入校准消除图神经网络模型偏差
机器学习
2025-05-26 v2
摘要
图神经网络（GNNs）在 various 领域展现出卓越性能，但在类不平衡情况下常面临模型偏差问题。这种偏差可能导致次优性能和不公平预测，尤其是针对 underrepresented 类。我们提出NeuBM（Neutral Bias Mitigation），一种通过中性输入校准来消除GNNs模型偏差的新方法。NeuBM利用动态更新的中性图来估计和纠正模型固有的偏差。通过从中性图获取的logits上减去输入图的logits，NeuBM有效地重新校准模型预测，减少跨类的偏差。该方法无缝集成到现有的GNN架构和训练流程中，所需计算开销最小。广泛的实验表明，NeuBM在多个基准数据集上显著提高了平衡准确率和少数类召回率，同时保持强大的整体性能。在严重类不平衡和标注数据有限的场景中，NeuBM的效果尤为显著，传统方法在此类情况下常常难以胜任。我们提供了关于NeuBM如何实现偏差消除的理论见解，将其与表示平衡概念关联。我们的分析表明，NeuBM不仅调整最终预测，还影响网络中平衡特征表示的学习。
引用
@article{arxiv.2505.15180,
title = {NeuBM: Mitigating Model Bias in Graph Neural Networks through Neutral Input Calibration},
author = {Jiawei Gu and Ziyue Qiao and Xiao Luo},
journal= {arXiv preprint arXiv:2505.15180},
year = {2025}
}
备注
Accepted to IJCAI 2025