可信图神经网络：方面、方法与趋势
机器学习
2024-02-22 v2 人工智能
摘要
图神经网络（GNNs）已成为一系列适用于多样真实场景的胜任的图学习方法，范围从推荐系统与问答等日常应用，到生命科学中的药物发现与天体物理中的 N 体模拟等前沿技术。然而，任务性能并非 GNNs 的唯一要求。以性能为导向的 GNNs 已表现出潜在的不良影响，例如对对抗攻击的脆弱性、对弱势群体的不可解释歧视，或边缘计算环境中过度的资源消耗。为避免这些非故意的危害，有必要构建以可信性为特征且胜任的 GNNs。为此，我们从所涉及的各种计算技术视角出发，提出构建可信 GNNs 的全面路线图。本综述中，我们介绍基本概念，并从鲁棒性、可解释性、隐私性、公平性、问责性与环境福祉六个方面全面总结现有可信 GNNs 的努力。此外，我们强调了上述可信 GNNs 六个方面之间复杂的跨方面关系。最后，我们给出了促进可信 GNNs 研究与产业化的趋势方向的详尽概览。
引用
@article{arxiv.2205.07424,
title = {Trustworthy Graph Neural Networks: Aspects, Methods and Trends},
author = {He Zhang and Bang Wu and Xingliang Yuan and Shirui Pan and Hanghang Tong and Jian Pei},
journal= {arXiv preprint arXiv:2205.07424},
year = {2024}
}
备注
42 pages, 7 tables, 4 figures, double columns, accepted by Proceedings of the IEEE