RIA：针对迁移学习中环境分布变化的对抗标签不变图数据增强
机器学习
2026-04-22 v2 机器学习
摘要
在迁移学习中，当表示学习遇到分布变化时，便会发生分布外(OoD)泛化。这在训练和测试数据来自不同环境的实践中经常发生。仅在输入数据中发生的分布变化称为协变量漂移，而概念分布保持不变。我们提出了RIA - 正规化与对抗训练的不变性，一种针对协变量漂移下的OoD泛化的新方法。受-学习类比启发，RIA执行对反事实数据环境的对抗探索。这些新环境由保持标签不变的数据增强诱导，这些增强可防止退化为在分布内训练的学习者。RIA可以与许多可表述为受约束优化问题的现有OoD泛化方法配合工作。我们开发了交替梯度下降-上升算法，用于在因果生成的图数据上下文中求解该问题，并对各种合成和自然分布变化的OoD图形分类进行大量实验。我们展示了与OoD基准相比，RIA能够实现高准确率。
引用
@article{arxiv.2604.08404,
title = {Adversarial Label Invariant Graph Data Augmentations for Out-of-Distribution Generalization},
author = {Simon Zhang and Ryan P. DeMilt and Kun Jin and Cathy H. Xia},
journal= {arXiv preprint arXiv:2604.08404},
year = {2026}
}
备注
22 pages, 3 figures, accepted at ICML SCIS 2023