基于数据增强的图形 OOD 泛化中注意标签偏移
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
本文提出了一种基于不变和变体模式共混策略的新型图不变性学习方法,能够联合生成混合的多个环境并从混合图数据中捕捉不变模式,通过扩展性实验证明该方法在各种分布转移中显著优于现有方法。
Dec, 2023
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
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
Graph Neural Network 在解决图分类问题上表现出了极好的性能,然而,由于训练和测试数据的选择偏差,造成了分布差异的广泛存在。针对这个问题,我们提出了 OOD-GMixup 方法来联合调控度量空间中的训练分布,并且通过消除杂乱相关和生成虚拟样本来度量、控制分布偏差。实验结果表明,我们的方法在几个真实世界的图分类数据集上优于现有方法。
Aug, 2023
本研究通过提出一个名为 MARIO 的不受模型限制的方案来改善无监督图对比学习方法的异分布推广性,该方法介绍了信息瓶颈原则和不变性原则,并在广泛实验中表现出在异分布测试集上具有最先进性能,与现有方法相比在内分布测试集上维持了相当的性能。
Jul, 2023
本文提出了一种使用标签和环境因果独立(LECI)的方法,通过联合最大化标签和环境信息以解决之前方法中面临的识别因果和不变子图的挑战,并进一步开发了一种对抗训练策略来共同优化这两个特性,从而实现对因果子图的发现,该方法在合成和现实数据集上显著优于先前的方法,成为一种实用和有效的解决方案。
Jun, 2023
本文提出了一种名为 StableGNN 的基于因果关系的图神经网络框架,该框架从图数据中提取高级表示,并利用因果推断的区分能力帮助模型消除虚假相关性,具有良好的有效性、灵活性和解释性。
Nov, 2021