物理引导的公平图采样用于河流网络水温预测
机器学习
2024-12-24 v1 计算机与社会
物理与社会
机器学习
摘要
本文提出了一种基于图神经网络（GNN）的新方法，用于预测河流水温并减少不同收入和教育水平地区间的模型偏差。基于物理的模型通常因对现实的近似而精度有限。近年来，利用GNN建模河流网络中复杂水动力过程的研究日益增多。尽管GNN在提高精度方面具有潜力，但其聚合过程（节点特征通过聚合邻居节点更新）可能引入额外的模型偏差。当具有相似敏感属性的节点频繁连接时，这种偏差尤为明显。我们提出了一种新方法，利用物理知识表示GNN中的节点影响，并基于物理影响优化邻居的选择和权重。其目标是促进图聚合中不同敏感群体的公平对待，从而减少空间偏差，尤其是对弱势群体所在地区。在特拉华河流域上的实验结果表明，所提方法在不同敏感群体地区间保持公平性能方面是有效的。
引用
@article{arxiv.2412.16523,
title = {Physics-Guided Fair Graph Sampling for Water Temperature Prediction in River Networks},
author = {Erhu He and Declan Kutscher and Yiqun Xie and Jacob Zwart and Zhe Jiang and Huaxiu Yao and Xiaowei Jia},
journal= {arXiv preprint arXiv:2412.16523},
year = {2024}
}