该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证OOD泛化性能。

Feb, 2022

在这篇综述文章中，我们详细回顾了图形OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。

Feb, 2024

通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差，提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络，以抵消训练数据中的混淆偏差，并促进学习可泛化的预测关系。实验证明，该模型可以有效提高各类分布迁移情况下的泛化性能，在图的分布迁移基准测试中相比最先进方法最多提高27.4%的准确率。

Feb, 2024

综述研究了图学习中的分布转变问题及解决方法，将现有的图学习方法分为图领域适应学习、图越域学习和图持续学习三种关键场景，详细讨论了这些场景下的现有进展，并对该领域进行了潜在应用和未来研究方向的分析。

Feb, 2024

通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别OOD广义化跨域模型。

Mar, 2024

本文提出了一种基于节点级环境识别和外推技术的图形上的节点层次环境识别和提取不变性方法IENE，其能够同时从两个层次提取不变性，从而提高了广义化性能。经过广泛的实验验证，IENE在两个合成和四个真实世界的OOD数据集上验证了其优越性，它优于现有技术，并为增强GNN泛化提供了灵活的框架。

Jun, 2024

本文针对图学习中分布外（OOD）泛化的主要挑战，提出了一种基于信息瓶颈理论的不变图学习框架（InfoIGL），旨在提取图的稳定特征并提高模型对未见分布的泛化能力。通过引入冗余过滤器和多层次对比学习，InfoIGL在不依赖不变性监督信号的情况下，显著提升了图分类任务的OOG泛化性能，实验结果显示该方法在合成和真实世界数据集上实现了最先进的性能。

Aug, 2024

本研究解决训练和测试数据集间的分布漂移问题，这对图学习模型性能造成显著影响。提出了一种新颖的方法，利用基于得分的图生成策略合成未知环境特征，同时保持图模式的有效性和稳定特征。实验结果表明，该方法在提高图的分布外泛化能力方面具备更大的有效性。

Oct, 2024

本研究针对图结构中节点级别的分布外（OOD）泛化问题，开发了结构因果模型（SCM）来分析不变风险最小化（IRM）和方差风险外推（VREx）方法的局限性。这些方法由于缺乏类条件不变约束，可能会依赖于虚假特征。为了解决这个问题，我们提出了跨环境类内对齐（CIA），通过在相同类别下对跨环境表示进行对齐，有效消除了虚假特征，从而提升了节点级OOD泛化的性能。

Nov, 2024

本文针对图结构中的节点级离散性（OOD）泛化问题，提出了一种结构性因果模型以深入分析两种不变学习方法（IRM和VREx）的性能局限，指出缺乏类条件不变约束导致的方法失效。为了解决这一不足，提出了一种交叉环境类内对齐方法（CIA），有效消除干扰特征，并进一步开发了CIA-LRA方法，通过邻域标签分布选择性对齐节点表示，显著提升了节点级OOD泛化能力。

Nov, 2024