MARIO: 提升图对比学习模型对 OOD 普适性的通用方法
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
我们综合调查了图形领域中的 ODD 概括率,并详细审查了最近在这个领域取得的进展,然后根据其在图形机器学习流水线中的位置,从数据、模型和学习策略等不同概念上将现有方法分为三类,并对每个类别进行了详细讨论,最后分享了我们对未来研究方向的看法。
Feb, 2022
本研究旨在通过无监督学习的方式,利用图像对 OOD 图像进行检测,提出了一种基于对比学习的 GOOD-D 图像对比学习框架,并使用基于层级对比学习的方法捕捉潜在的 ID 模式,能够在不使用任何 ground truth 标签的情况下准确检测 OOD graphs,并建立了一个综合基准来比较我们的提出的方法和不同的最先进的方法,实验结果证明了我们方法的卓越性。
Nov, 2022
对于图外分布问题(OOD),本研究从体系结构角度进行了全面调查,探讨了现代图神经网络的常见构建模块。通过广泛的实验,揭示了图的自注意机制和解耦体系结构对图 ODD 泛化的正面贡献,而线性分类层则会损害图 ODD 泛化能力。此外,我们基于这些发现开发了一种新的图神经网络模型 DGAT,它充分利用了图的自注意机制和解耦体系结构的稳健特性,并通过广泛的实验证明了我们模型在图 ODD 下的有效性,对各种训练策略都展现出了明显和一致的改进。
Feb, 2024
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
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
本文提出了一种名为 OOD-GNN 的图神经网络,它通过使用利用随机傅里叶特征的非线性图表示装饰方法来消除图表示中相关和不相关部分之间的统计依赖关系,进而使其能够实现对训练图数据分布以外的新颖测试图数据的良好性能。经实验证明,该方法在两个合成和 12 个真实数据集上均远远优于现有的最优基准模型。
Dec, 2021
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