ترجمه فارسی مقاله بررسی تعمیم خارج از توزیع برای یادگیری ماشین نمودار از دیدگاه علی

چکیده

Graph machine learning (GML) has been successfully applied across a wide range of tasks. Nonetheless, GML faces significant challenges in generalizing over out-of-distribution (OOD) data, which raises concerns about its wider applicability. Recent advancements have underscored the crucial role of causality-driven approaches in overcoming these generalization challenges. Distinct from traditional GML methods that primarily rely on statistical dependencies, causality-focused strategies delve into the underlying causal mechanisms of data generation and model prediction, thus significantly improving the generalization of GML across different environments. This paper offers a thorough review of recent progress in causality-involved GML generalization. We elucidate the fundamental concepts of employing causality to enhance graph model generalization and categorize the various approaches, providing detailed descriptions of their methodologies and the connections among them. Furthermore, we explore the incorporation of causality in other related important areas of trustworthy GML, such as explanation, fairness, and robustness. Concluding with a discussion on potential future research directions, this review seeks to articulate the continuing development and future potential of causality in enhancing the trustworthiness of graph machine learning.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین نمودار (GML) با موفقیت در طیف گسترده ای از کارها اعمال شده است.با این وجود ، GML در تعمیم داده های خارج از توزیع (OOD) با چالش های قابل توجهی روبرو است ، که نگرانی هایی در مورد کاربرد گسترده تر آن ایجاد می کند.پیشرفت های اخیر بر نقش اساسی رویکردهای علیت محور در غلبه بر این چالش های تعمیم تأکید کرده است.متمایز از روشهای سنتی GML که در درجه اول به وابستگی های آماری تکیه می کنند ، استراتژی های متمرکز بر علیت به مکانیسم های علی اساسی تولید داده و پیش بینی مدل می پردازند ، بنابراین به طور قابل توجهی تعمیم GML را در محیط های مختلف بهبود می بخشد.در این مقاله یک مرور کامل از پیشرفت اخیر در تعمیم GML در رابطه با علیت ارائه شده است.ما مفاهیم اساسی استفاده از علیت را برای تقویت تعمیم مدل نمودار و طبقه بندی رویکردهای مختلف روشن می کنیم و توضیحات مفصلی از روشهای آنها و ارتباطات بین آنها ارائه می دهیم.علاوه بر این ، ما در مورد ادغام علیت در سایر زمینه های مهم مرتبط با GML قابل اعتماد ، مانند توضیح ، انصاف و استحکام ، بررسی می کنیم.نتیجه گیری با بحث در مورد مسیرهای بالقوه تحقیقاتی آینده ، این بررسی به دنبال بیان مداوم توسعه و پتانسیل آینده علیت در تقویت اعتماد به نفس یادگیری ماشین گراف است.