提高在现实世界数据上的图形外域泛化能力
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
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。
Feb, 2022
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
提出了一种统一框架,利用必要性和充分性概率来提取不变的子图结构(PNSIS),并采用集成方法利用虚假子图增强噪声数据的泛化性能,在图OOD问题上胜过现有技术,显示了在实际场景中的有效性。
Feb, 2024
在这篇综述文章中,我们详细回顾了图形OOD(Out-Of-Distribution)适应方法,并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。
Feb, 2024
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
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
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。
Aug, 2024