Finding Counterfactual Evidences for Node Classification

要約

反事実学習は、因果関係に根ざした重要なパラダイムとして浮上しており、公平性や解釈可能性など、グラフニューラルネットワーク（GNNS）の一般的な問題を軽減することを約束します。
ただし、ランダム化比較試験を実施する多くの実際のアプリケーションドメインのように、非事実を検出するには、利用可能な観察（事実）データに依存する必要があります。
この論文では、GNNベースのノード分類タスクの反事実的証拠を検索する問題を紹介し、取り組みます。
反事実的な証拠は、特徴と近隣のサブグラフ構造の両方で大きな類似性を示すにもかかわらず、GNNによって異なる方法で分類されるようなノードのペアです。
効果的かつ効率的な検索アルゴリズムと、ノード機能と構造情報の両方を活用して反事実的証拠を特定し、特定のGNNを超えて一般化する新しいインデックスソリューションを開発します。
さまざまなダウンストリームアプリケーションを通じて、GNNの公平性と精度を高めるための反事実的証拠の可能性を示します。

要約(オリジナル)

Counterfactual learning is emerging as an important paradigm, rooted in causality, which promises to alleviate common issues of graph neural networks (GNNs), such as fairness and interpretability. However, as in many real-world application domains where conducting randomized controlled trials is impractical, one has to rely on available observational (factual) data to detect counterfactuals. In this paper, we introduce and tackle the problem of searching for counterfactual evidences for the GNN-based node classification task. A counterfactual evidence is a pair of nodes such that, regardless they exhibit great similarity both in the features and in their neighborhood subgraph structures, they are classified differently by the GNN. We develop effective and efficient search algorithms and a novel indexing solution that leverages both node features and structural information to identify counterfactual evidences, and generalizes beyond any specific GNN. Through various downstream applications, we demonstrate the potential of counterfactual evidences to enhance fairness and accuracy of GNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google