快讯｜北邮GAMMA LAB的三篇工作被NeurIPS 2022 接收

题目:Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure

题目：Revisiting Graph Contrastive Learning from the Perspective of Graph Spectrum

作者：Nian Liu, Xiao Wang, Deyu Bo, Chuan Shi, Jian Pei

图对比学习（GSL）旨在通过增广原始图学得节点表征，目前已得到广泛关注。尽管图增广技术已经得到了很大发展，一些基本问题仍未解决：GCL本质上编码了怎样的信息？不同增广背后是否有统一的准则？如果有，是什么样的准则？这些准则又能带给我们怎样的认知？在本文中，我们通过建立GCL和图谱之间的关系来回答上述问题。通过谱域中的一个实验研究，我们首先发现了GCL的一般增广准则（GAME准则），即两个增广图间，高频部分的差异要大于低频部分的差异。这个准则揭示了图对比学习的本质，让我们能回顾当前图增广机制并以此设计新的图增广策略。之后，我们提出对比不变理论，证明GCL能够学得对比视图间的不变信息。结合GAME准则，我们首次揭示了通过GCL学得的表征本质上编码了低频信息，解释了GCL为什么有效。依据该准则，我们提出插件式的谱图对比学习模型（SpCo），并与当前不同的GCL模型相结合，充分验证了模型的有效性。

题目：Uncovering the Structural Fairness in Graph Contrastive Learning

作者：Ruijia Wang, Xiao Wang, Chuan Shi, Le Song

图对比学习 (GCL) 继承了图卷积网络 (GCN) 和对比学习的优势，已成为一种流行的自监督节点表示学习范式。节点表示学习对结构公平性有所要求，即在度低和度高节点上都有良好的性能表现。但最近研究表明，GCN 常对度低节点的预测性能较差，在节点度呈现长尾分布的图上表现出结构不公平。然而，尚未有工作探索 GCL 针对节点度的表现。我们的工作惊喜地发现GCL 方法获得的节点表示在度偏差上已经比 GCN 更公平。为此，我们从理论上证明这种公平性源于GCL社区内集中和社区间分散的特性，这种更加清晰的社区结构使得度低节点远离社区边界。基于理论分析，我们进一步设计了图对比学习模型GRADE，将不同策略应用于度低和度高节点。在各种基准数据集和评测方式下，实验验证了所提出模型的有效性。