分布偏移下的深度图学习综述：从图分布外泛化到自适应
机器学习
2025-03-31 v2
摘要
图上的分布偏移——即训练与使用图机器学习模型时数据分布的差异——在真实场景中普遍存在且往往不可避免。这些偏移可能严重恶化模型性能，对可靠的图机器学习构成重大挑战。因此，关于分布偏移下图机器学习的研究激增，旨在训练模型以在分布外（OOD）测试数据上取得令人满意的性能。在我们的综述中，对分布偏移下的深度图学习提供了最新且具有前瞻性的回顾。具体而言，我们涵盖了三个主要场景：图 OOD 泛化、训练时图 OOD 自适应以及测试时图 OOD 自适应。我们首先正式地定义问题，并讨论可能影响图学习的各类分布偏移，例如协变量偏移和概念偏移。为了更好地理解相关文献，我们引入了一种系统分类法，将现有方法分为以模型为中心和以数据为中心的方法，并研究了每个类别中使用的技术。我们还总结了该研究领域常用的数据集，以促进进一步研究。最后，我们指出了有前景的研究方向及相应挑战，以鼓励在这一重要领域开展进一步研究。我们还在 https://github.com/kaize0409/Awesome-Graph-OOD 提供了持续更新的阅读列表。
引用
@article{arxiv.2410.19265,
title = {A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation},
author = {Kexin Zhang and Shuhan Liu and Song Wang and Weili Shi and Chen Chen and Pan Li and Sheng Li and Jundong Li and Kaize Ding},
journal= {arXiv preprint arXiv:2410.19265},
year = {2025}
}
备注
19 pages, 3 figures. arXiv admin note: text overlap with arXiv:2402.11153