Jun, 2024

IENE：图中节点环境的识别和推断对于图外分布泛化的影响

PDF
TL;DR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。
graph neural networksout-of-distribution generalizationenvironmental identificationinvariancegeneralization of gnns
发现论文，激发创造
  • 通过因果干预实现图形的超出分布泛化

    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

  • 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

  • 处理图上的分布偏移：一个不变性的视角

    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

  • 偏置节点分类的因果性和独立性增强

    针对节点分类中的离群分布泛化问题以及数据偏差的挑战，本文提出了一种称为 Causality and Independence Enhancement (CIE) 的框架，可以应用于各种图神经网络，通过消除不同类型的数据偏差，提高分类性能，并在实验中超越了最先进的去偏节点分类方法。

    Oct, 2023

  • 通过分层语义环境改进图形中的分布外泛化

    本研究提出了一种新颖方法，通过生成层次化的语义环境来增强图不变性学习，以应对分布转移，实验证明该方法在真实世界的图数据上取得了显著效果。

    Mar, 2024

  • 关于对非分布式图形泛化图形神经网络

    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

  • 联合学习标签和环境因果独立性，用于图形样本的去分布泛化

    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

  • 基于能量的图神经网络异常检测

    针对图形数据的 OOD 检测问题，本论文提出了一种基于图神经网络的能量函数的有效 OOD 鉴别器，命名为 GNNSafe，并在模拟和真实数据集上的评估中证明了它的性能优于现有技术。

    Feb, 2023

  • OOD-GNN: 面向外分布的通用图神经网络

    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

  • 图结构和特征外推用于超出分布的泛化

    本文提出了使用非欧氏线性外推的方法来实现图形 OOD 广义化，并在不破坏基本因果机制的情况下为特定转移定制 OOD 样本，理论分析和实证结果表明了我们的方法在解决目标转移问题上的有效性。

    Jun, 2023