快讯｜北邮GAMMA LAB的四篇工作被AAAI 2024 接收

近日，CCF A类国际会议AAAI 2024放榜，本次会议共提交了12100篇文章，接受了2342篇论文，总体录用率为23.75%。北邮GAMMA LAB实验室共有四篇论文被AAAI 2024录用，下面是论文列表及介绍：

题目：FairSIN: Achieving Fairness in Graph Neural Networks through Sensitive Information Neutralization

作者：Cheng Yang, Jixi Liu, Yunhe Yan,Chuan Shi

摘要：尽管图神经网络 (GNNs) 在图结构数据建模方面取得了巨大成功，但与其他机器学习模型一样，GNN 也容易受到诸如种族和性别等敏感属性的影响，从而做出有偏见的预测。出于公平性考虑，最近的SOTA方法提出从输入或表示中过滤掉敏感信息，例如边丢弃或特征掩码。然而，我们认为这种基于过滤的策略也可能过滤掉一些非敏感的特征信息，导致预测性能和公平性之间的次优权衡。为了解决这个问题，我们推出了一种基于敏感信息中和的新范式：在消息传递之前将额外的促公平特征（F3）融合到节点特征或表示中，从而中和节点表示中的敏感偏见并提供额外的非敏感信息。我们还为基本原理提供了理论解释，得出的结论是可以通过强调每个节点的异质邻居（具有不同敏感属性的邻居)的特征来实现。我们将方法命名为 FairSIN，并从以数据为中心和以模型为中心两个角度提出了三种实现变体。在使用三种不同 GNN 主干的五个基准数据集上的实验结果表明，FairSIN 在保持高预测精度的同时显著提高了公平性指标。

题目：Graph Contrastive Invariant Learning from the Causal Perspective

作者：Yanhu Mo, Xiao Wang, Shaohua Fan, Chuan Shi

摘要：图对比学习（GCL）是通过自我监督的方式对比两个增广图，来学习到节点的表征，目前已经引起了广泛关注。人们通常认为 GCL 可以学习不变表征。然而，这种理解在实际中是否总是成立呢？本文首先从因果的角度研究 GCL。通过用结构因果模型（SCM）分析 GCL，我们发现由于图中包含了非因果信息，传统的 GCL 可能无法很好地学习不变表征。我们怎样才能解决这个问题，促使当前的 GCL 学习到更好的不变表征呢？根据SCM的分析提出了两个要求，促使我们提出一种新的 GCL 方法。特别的，我们引入了谱图增强来模拟对非因果因素的干预。然后，我们设计了不变性目标和独立性目标，以更好地捕捉因果信息。具体来说，(i) 不变性目标鼓励编码器捕捉因果变量中包含的不变信息，(ii) 独立性目标旨在减少混淆变量对因果变量的影响。实验结果证明了我们的方法在节点分类任务中的有效性。

题目：A Generalized Neural Diffusion Framework on Graphs

作者：Yibo Li, Xiao Wang, Hongrui Liu, Chuan Shi

摘要：近期许多研究都揭示了图神经网络（GNN）与扩散过程之间的联系，并且提出了许多基于扩散方程的GNN。因为这两种机制紧密相关，所以我们思考一个根本性的问题：是否存在一个通用的扩散框架，可以统一这些 GNN？这个问题不仅可以加深我们对 GNN 学习过程的理解，而且可能会指导我们设计一系列新型 GNN。在本文中，我们提出了一个带有保真项的通用扩散方程框架，正式建立了扩散过程与更多GNN之间的关系。同时，通过这个框架，我们发现了图扩散网络的一个特性，即当前的图扩散网络仅对应于一阶扩散方程。然而，通过实验研究，我们发现高阶邻居的标签呈现相似性。这一发现给了我们设计新的高阶邻居可知的扩散方程的灵感。基于该框架，我们提出一种新型图扩散网络（HiD-Net）。HiD-Net对攻击的抵抗能力更强，并适用于同质性和异质性图。我们不仅从理论上分析了 HiD-Net与高阶随机游走之间的关系，还提供了理论上的收敛保证。我们还设计了充分全面的实验，证明了HiD-Net的有效性。

题目：Graph Invariant Learning with Subgraph Co-mixup for Out-Of-Distribution Generalization

作者：Tianrui Jia, Haoyang Li, Cheng Yang, Tao Tao, Chuan Shi

摘要：图神经网络（GNNs）在图表示学习方面表现出色，但在处理分布外（OOD）数据时常常缺乏泛化能力。基于多个定义环境之间的不变性原则，图不变学习方法在解决这一问题上显示出了有效性。然而，现有方法严重依赖于预定义的或准确生成的环境划分，这在实践中难以获得，导致了OOD泛化性能的不理想。在本文中，我们提出了一种新颖的图不变学习方法，基于不变和变化模式的组合策略，能够同时生成混合多环境并从混合图数据中捕获不变模式。具体来说，我们首先采用子图提取器来识别不变子图。随后，我们设计了一种新颖的共混策略，即同时进行环境混合和不变混合。对于环境混合，我们混合了变化的环境相关子图，以生成足够多样化的多环境，这对于保证图不变学习的质量至关重要。对于不变混合，我们混合了不变子图，进一步鼓励捕捉图背后的不变模式，同时摆脱了虚假相关以实现OOD泛化。我们证明了所提出的环境混合和不变混合可以相互促进。在合成数据集和真实世界数据集上的大量实验表明，我们的方法在各种分布转移下显著优于最先进的方法。

本期责任编辑：杨成

本期编辑：刘佳玮

北邮 GAMMA Lab 公众号

主编：石川

责任编辑：杨成、王啸

编辑：刘佳玮

长按下图并点击“识别图中二维码”

即可关注北邮 GAMMA Lab 公众号