重新思考图神经网络中的因果关系学习
机器学习
2023-12-18 v1 人工智能
机器学习
摘要
图神经网络（GNN）通过有效地对图结构数据内的复杂相互关系进行建模，展现了其重要性。为了增强 GNN 的可信度和鲁棒性，提升其捕捉因果关系的能力变得尤为关键。然而，尽管近期的进展确实从因果学习的角度增强了 GNN，但专门针对 GNN 因果建模能力进行深入分析仍是一个未解决的问题。为了从因果学习的角度全面分析各种 GNN 模型，我们构建了一个人工合成数据集，其中数据与标签之间存在已知且可控的因果关系。通过理论基础进一步确保了生成数据的合理性。基于使用我们的数据集进行分析所获得的见解，我们引入了一个轻量且高度适应的 GNN 模块，旨在增强 GNN 在多种不同任务中的因果学习能力。通过在合成数据集和其他真实世界数据集上进行的一系列实验，我们实证验证了所提出模块的有效性。
引用
@article{arxiv.2312.09613,
title = {Rethinking Causal Relationships Learning in Graph Neural Networks},
author = {Hang Gao and Chengyu Yao and Jiangmeng Li and Lingyu Si and Yifan Jin and Fengge Wu and Changwen Zheng and Huaping Liu},
journal= {arXiv preprint arXiv:2312.09613},
year = {2023}
}