Oct, 2023

通过环境增强实现的不变图学习能够学到不变性吗？

PDF
TL;DR通过环境增强不可能学习到图中的不变表示，所以提出了一种基于可行假设的不变图学习框架 GALA，利用助手模型来识别不变子图从而成功实现 OOD 泛化。
invariant graph representation learningenvironment augmentationfeasible invariant graph learninggraph invariant learning assistant (gala)ood generalization
发现论文，激发创造
  • 使用亚图混合在图不变量学习中实现超越样本分布的泛化

    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

  • 学习因果不变表示以实现图上的跨分布泛化

    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

  • 不变学习环境推理

    EIIL 是一种用于域不变学习的通用框架，采用环境推断技术，可以推断出对下游不变学习最有帮助的分区，实现了较好的性能并且可以改进公平预测问题中的准确性和校准度。

    Oct, 2020

  • 环境感知的动态图学习用于非分布式泛化

    环境感知的动态图学习（EAGLE）框架通过建模复杂的耦合环境和利用时空不变模式，解决了动态图在分布转移下的超出分布预测的问题。

    Nov, 2023

  • ZIN: 如何在不进行环境分区的情况下学习不变性？

    本研究提出了一种新框架可以同时学习环境分区和不变的表示，并在合成和真实数据集上进行了实验证明其改进的性能。

    Mar, 2022

  • 因果视角下的图形对比不变性学习

    本文从因果关系的角度研究了图对比学习（Graph Contrastive Learning），发现传统的图对比学习由于含有非因果信息而不能很好地学习不变表示。为了解决这个问题并促使当前的图对比学习方法学习更好的不变表示，我们提出了一种新的图对比学习方法，通过引入谱图增强来模拟对非因果因素的干预，并设计了不变性目标和独立性目标来更好地捕捉因果因素。实验结果表明我们的方法在节点分类任务上的有效性。

    Jan, 2024

  • 基于数据增强的图形 OOD 泛化中注意标签偏移

    LiSA 通过生成标签不变增强的方式解决了图神经网络中图结构编辑带来的标签转换问题，实现了一致且多样化的预测关系来方便图结构的 OOD 泛化。

    Mar, 2023

  • 无数据增强的图形对比学习不变 - 有别的表示

    使用不需要数据增强的图对比学习方法 iGCL 进行表征学习，其中设计了不变 - 可区分性损失（ID 损失）来学习不变和可区分的表征，并且实验结果表明 iGCL 在不同类型的数据集上优于其他基准模型，具有很好的泛化性和鲁棒性。

    Oct, 2022

  • 无需考虑大小的图表示方法，用于图分类和推断

    该研究探讨使用因果模型学习具有近似不变性的表示方法，并展示了这种方法对于培训 / 测试分布转移具有对抗性的图形分类中的好处。

    Mar, 2021

  • 学习无关变量以实现策略泛化

    本文研究机器学习领域中的强化学习问题，主要关注于学习能够适应不同环境的策略，探讨数据增强、元学习和对抗训练三种可能的策略泛化方法，发现数据增强方法是有效的，并研究了元学习和对抗学习作为替代的任务不可知方法的潜力。

    Sep, 2018