Skip to content

GREA

Graph Rationalization with Environment-based Augmentations

  1. motivation: 现有的使用图池化或者图分布干预的方法由于缺乏示例而难以识别最佳的图rationale，因此作者提出一种新的数据增强手段来产生虚拟示例以提升rationale的识别性能

  2. 主要增强方法: 通过采用子图来进行增强，其中选取子图 rationale，是最能解释或支持模型预测的输入的特征子集 GREA

    • 将rationale和environment（除了rationale子图 剩余的部分）分离：使用一个GNN+MLP训练得到一个掩码，用另外一个 GNN作为encoder得到节点表征，之后利用掩码将rationale和environment分离

    • 基于environment的增强

      • environment removal增强：即只使用 rationale 来进行预测

      • environment replacement 增强：将environment子图视为自然噪声，然后输入一批图，用他们的environment来替换掉原来的environment，之后通过聚合函数将rationale和新的environment结合起来得到增强图

    • 优化目标

      • 增强的loss（removal和replacement）loss_of_GREA

  3. 方法评价：首次使用数据增强与rationale结合，提升了rationale的识别能力