当图神经网络遇见因果性：机遇、方法与展望
机器学习
2024-06-19 v3 人工智能
统计方法学
摘要
图神经网络 (GNNs) 已成为捕获各种图结构数据内复杂依赖关系的强大表示学习工具。尽管 GNNs 在广泛的图挖掘任务中取得了成功，但它们引发了关于其可信度的严重担忧，包括对分布偏移的易感性、对特定群体的偏差以及缺乏可解释性。最近，将因果学习技术整合到 GNNs 中引发了众多突破性研究，因为通过捕获底层数据因果性而非浅层相关性，可以缓解许多 GNNs 的可信度问题。在这项综述中，我们全面回顾了关于因果启发的图神经网络 (CIGNNs) 的最新研究努力。具体而言，我们首先使用因果工具分析现有 GNNs 的主要可信度风险，强调了 GNNs 理解图数据内因果机制的必要性。此外，我们根据其配备的因果学习能力类型（即因果推理和因果表示学习）引入了 CIGNNs 的分类法。此外，我们系统地介绍了每个类别中的典型方法，并讨论了它们如何缓解可信度风险。最后，我们总结了有用的资源并讨论了几个未来方向，希望能为这一新兴领域的新研究机遇提供启示。代表性论文以及开源数据和代码可在 https://github.com/usail-hkust/Causality-Inspired-GNNs 获取。
引用
@article{arxiv.2312.12477,
title = {When Graph Neural Network Meets Causality: Opportunities, Methodologies and An Outlook},
author = {Wenzhao Jiang and Hao Liu and Hui Xiong},
journal= {arXiv preprint arXiv:2312.12477},
year = {2024}
}