アグノスティックラベル選択Biasによるデバイアスグラフニューラルネットワーク【JST・京大機械翻訳】

Fan Shaohua; Wang Xiao; Shi Chuan; Kuang Kun; Liu Nian; Wang Bai

プレプリント

J-GLOBAL ID：202202207972350310 整理番号：22P0276868

アグノスティックラベル選択Biasによるデバイアスグラフニューラルネットワーク【JST・京大機械翻訳】

Debiased Graph Neural Networks with Agnostic Label Selection Bias

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月19日プレプリントサーバーでの情報更新日： 2022年01月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ほとんどの既存のグラフニューラルネットワーク(GNN)は,データにおける選択バイアス,すなわち,試験セットによる訓練セット間の矛盾した分布を考慮することなく提案した。現実に,試験データは訓練過程でも利用可能でなく,選択バイアス診断を行う。偏った選択ノードを持つ訓練GNNは,有意なパラメータ推定バイアスをもたらし,試験ノードに対する一般化能力に大きく影響する。本論文では,まず,選択バイアスがGNNの一般化能力を著しく妨げ,選択バイアスがGNNパラメータに関する偏った推定を引き起こすことを,明らかに示す実験的研究を提示した。次に,GNN推定におけるバイアスを取り除くために,著者らは,分化した非相関正則化器を有する新規デバイアスグラフニューラルネットワーク(DGNN)を提案した。識別された脱相関正則化器は,学習された埋込みの偽相関が排除されるような,各ラベル付きノードに対するサンプル重みを推定する。因果律における正則化器を分析し,交絡バイアスへのそれらの寄与に基づいて変数の重みを差別化する。次に,これらのサンプル重みを,推定バイアスを除去するためにGNNを再重み付けするために用いて,このように,未知の試験ノードに関する予測の安定性を改善するのを助ける。包括的実験を,2種類のラベル選択バイアスを有するいくつかの挑戦的なグラフデータセットに関して実行した。結果は,著者らの提案モデルが最先端の方法より優れていて,DGNNが既存のGNNを強化するための柔軟なフレームワークであることを検証した。【JST・京大機械翻訳】

, , , , , , , ,
, , , 【Automatic Indexing@JST】

ニューロコンピュータ , 分子・遺伝情報処理

前のページに戻る