Oct, 2023

GDL-DS：基于分布偏移的几何深度学习基准

PDF
TL;DR提出了 GDL-DS，一个综合的基准评估，旨在评估 GDL 模型在具有分布偏移的场景中的性能，涵盖多样的科学领域，包括粒子物理学、材料科学和生物化学，并研究了三个层次的信息访问从测试数据中获取，对于 DGL 研究者和领域从业者在应用中使用 DGL 提供了深入分析的评估结果来提供见解。
发现论文，激发创造
  • 深度度量学习中针对带外分布偏移的泛化特征描述

    该研究提出了一个称为 ooDML 的基准测试，旨在评估 Deep Metric Learning 算法在面对不同程度和难度的数据分布转移时的泛化性能，研究发现，在挑战性更多样的训练测试分布转移情况下，部分方法可以更好地保持性能，最后，提出 few-shot DML 方法以有效地提高泛化性能。

    Jul, 2021

  • 图形在分布偏移下的泛化

    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

  • OoD-Bench: 量化和理解外分布泛化的两个维度

    通过对分布偏移数据的分类和对其相关算法的大量实验比较，对已有数据集和算法进行了分类整合，为未来的迁移学习和数据偏移研究提供了参考。

    Jun, 2021

  • GOOD: 一个图形模型的模型外测试基准

    本研究旨在开发用于图形的 OOD 基准（称为 GOOD），以区分协变和概念变化并设计准确反映不同变化的数据拆分。在 10 个常用的基线方法上提供性能结果，结果表明在分布内和 OOD 设置之间存在显着性能差距，本基准将不断发展并扩大资源的数量和种类。

    Jun, 2022

  • 分子表示的几何深度学习

    该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

    Jul, 2021

  • Shifts 2.0：扩展实际分布漂移数据集

    本文扩展了 Shifts 数据集，加入了两个来源于高风险工业应用的数据集，用于探索模型的鲁棒性和不确定性估计。新数据集包括 3D 磁共振脑图像中白质多发性硬化病变的分割和船舶功耗的估计，具有普遍分布转移和严格的安全要求。

    Jun, 2022

  • 图学习在分布偏移下的研究：领域自适应、离域和连续学习的综合调查

    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

  • GDA: 面向稳健测试时适应的通用扩散

    通过引入广义扩散适应（GDA）方法，研究论文提出了一种对不同类型的分布移位具有鲁棒性的测试时间适应方法，实现了在广泛的 OOD 基准测试上的最高分类准确度提升。

    Mar, 2024

  • 具有可控数据增强的图像领域外泛化

    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

  • 统一无监督图级异常检测和样本外检测：一个基准

    构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含 35 个数据集的综合评估框架，为 16 种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。

    Jun, 2024