本文提出了一种基于不变性学习和风险最小化的方法,实现图神经网络对于图结构数据上的越域通用性问题进行预测和预测不确定性的估计。
Feb, 2022
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。
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。
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
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。
Oct, 2023
本文提出了一种基于图学习的新方法,利用优化传输理论和图Sinkhorn注意机制来提取具有控制稀疏性和柔和性的有意义、可区分的不变子图。该方法在多个数据粒度的图学习任务中表现出卓越的性能,优于现有的图学习方法。
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
本文通过分析研究了环境-标签依赖性和可变的图解释不变性的定理,在此基础上提出了一种基于变分推断的新方法DEROG,用于处理真实世界数据中超出分布的图问题,并通过实验验证其优越性。
Jul, 2024
本文针对图学习中分布外(OOD)泛化的主要挑战,提出了一种基于信息瓶颈理论的不变图学习框架(InfoIGL),旨在提取图的稳定特征并提高模型对未见分布的泛化能力。通过引入冗余过滤器和多层次对比学习,InfoIGL在不依赖不变性监督信号的情况下,显著提升了图分类任务的OOG泛化性能,实验结果显示该方法在合成和真实世界数据集上实现了最先进的性能。
Aug, 2024
本研究解决了图形机器学习中的分布外(OOD)泛化问题,该领域面临源数据与目标数据分布之间的差异。本文提出DIVE方法,通过训练多个模型关注所有标签预测子图,并使用正则化器惩罚模型间提取子图的重叠,显著改善了现有方法,从而增强了图形机器学习的泛化能力。