本研究探讨了图神经网络在分布发生偏移的情况下的泛化能力问题，并提出了学习重加权以增强泛化能力的新方法 L2R-GNN，通过对图表示变量进行聚类和学习权重以去除不同类别之间的相关性，有效改善了图神经网络的泛化能力，并在各种图预测基准测试中取得了优异的性能。

Dec, 2023

该研究通过拓扑感知的鲁棒优化框架，结合分布的拓扑结构，提出了一种解决机器学习中非分布外泛化问题的方法，理论上证明了其有效性，并在分类、回归和语义分割等多种任务中实证表明，在泛化风险上显著优于现有方法。此外，研究还发现数据驱动的分布拓扑与领域知识一致，增强了方法的可解释性。

Jul, 2023

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

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

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

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

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

本文研究图神经网络中的图域自适应问题，提出了一种新方法叫做结构重加权，用于解决现有方法无法适应的条件结构偏移问题，并在合成图、四个基准数据集和高能物理领域的一个新应用中进行了测试，表现出了显著的性能提升。

Jun, 2023

该论文提出一种名为 TADropEdge 的自适应数据增强技术，通过考虑图连接性这一重要属性，将随机边删除与图结构信息结合，以生成更为可靠的增强数据，实现了提高图神经网络泛化性能的目的。

Jun, 2021

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