环境感知的动态图学习用于非分布式泛化
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
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
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
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
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
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
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