論文の概要: Robust Causal Graph Representation Learning against Confounding Effects
- arxiv url: http://arxiv.org/abs/2208.08584v1
- Date: Thu, 18 Aug 2022 01:31:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 14:10:53.477600
- Title: Robust Causal Graph Representation Learning against Confounding Effects
- Title(参考訳): 共起効果に対するロバスト因果グラフ表現学習
- Authors: Hang Gao, Jiangmeng Li, Wenwen Qiang, Lingyu Si, Bing Xu, Changwen
Zheng, Fuchun Sun
- Abstract要約: 本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。
RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
- 参考スコア(独自算出の注目度): 21.380907101361643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prevailing graph neural network models have achieved significant progress
in graph representation learning. However, in this paper, we uncover an
ever-overlooked phenomenon: the pre-trained graph representation learning model
tested with full graphs underperforms the model tested with well-pruned graphs.
This observation reveals that there exist confounders in graphs, which may
interfere with the model learning semantic information, and current graph
representation learning methods have not eliminated their influence. To tackle
this issue, we propose Robust Causal Graph Representation Learning (RCGRL) to
learn robust graph representations against confounding effects. RCGRL
introduces an active approach to generate instrumental variables under
unconditional moment restrictions, which empowers the graph representation
learning model to eliminate confounders, thereby capturing discriminative
information that is causally related to downstream predictions. We offer
theorems and proofs to guarantee the theoretical effectiveness of the proposed
approach. Empirically, we conduct extensive experiments on a synthetic dataset
and multiple benchmark datasets. The results demonstrate that compared with
state-of-the-art methods, RCGRL achieves better prediction performance and
generalization ability.
- Abstract(参考訳): 一般的なグラフニューラルネットワークモデルは、グラフ表現学習において大きな進歩を遂げている。
しかし,本論文では,未熟なグラフ表現学習モデルについて,未熟なグラフでテストしたモデルよりも,フルグラフでテストされたグラフ表現学習モデルについて明らかにする。
この結果から,グラフにはモデル学習のセマンティック情報に干渉しうる共同創設者が存在することが明らかとなり,現在のグラフ表現学習手法ではその影響を排除していない。
そこで本研究では,ロバストなグラフ表現を学習するために,ロバスト因果グラフ表現学習(rcgrl)を提案する。
RCGRLは、非条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブアプローチを導入し、グラフ表現学習モデルにより、共同創設者を排除し、下流の予測に因果関係のある識別情報をキャプチャする。
提案手法の理論的有効性を保証するための定理と証明を提供する。
実験では,合成データセットと複数のベンチマークデータセットについて広範な実験を行う。
その結果, RCGRLは最先端手法と比較して, 予測性能と一般化能力の向上を図っている。
関連論文リスト
- GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - Mitigating the Performance Sacrifice in DP-Satisfied Federated Settings
through Graph Contrastive Learning [43.73753083910439]
グラフエッジに差分プライバシ(DP)を実装する方法について検討し,性能低下を観察する。
そこで本研究では,DPによる性能低下を軽減するために,グラフのコントラスト学習を活用することを提案する。
5つの広く使用されているベンチマークデータセット上で4つの代表グラフモデルを用いて実施された大規模な実験により、対照的な学習は、モデルがDPによって引き起こされるパフォーマンス低下を実際に緩和することを示した。
論文 参考訳(メタデータ) (2022-07-24T22:48:51Z) - Latent Augmentation For Better Graph Self-Supervised Learning [20.082614919182692]
我々は、潜在的な拡張と強力なデコーダを備えた予測モデルは、対照的なモデルよりも同等またはそれ以上の表現力を達成することができると論じている。
Wiener Graph Deconvolutional Networkと呼ばれる新しいグラフデコーダは、拡張潜在表現から情報再構成を行うように設計されている。
論文 参考訳(メタデータ) (2022-06-26T17:41:59Z) - Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。
本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。
また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文 参考訳(メタデータ) (2022-05-20T02:50:15Z) - Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。
ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。
実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
論文 参考訳(メタデータ) (2022-02-16T21:10:33Z) - Learning Robust Representation through Graph Adversarial Contrastive
Learning [6.332560610460623]
既存の研究では、グラフニューラルネットワーク(GNN)によって生成されたノード表現が、敵の攻撃に対して脆弱であることが示されている。
本稿では,グラフ自己教師型学習に対数拡張を導入することにより,新しいグラフ適応型コントラスト学習フレームワーク(GraphACL)を提案する。
論文 参考訳(メタデータ) (2022-01-31T07:07:51Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。
この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T18:44:37Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳(メタデータ) (2020-06-18T03:19:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。