超越泛化：图上的分布外适应综述
机器学习
2024-02-20 v1
摘要
图上的分布偏移——即训练和测试图机器学习模型之间的数据分布差异——在现实世界场景中往往普遍存在且不可避免。此类偏移可能会严重降低模型性能，给可靠的图机器学习带来重大挑战。因此，针对图分布外（OOD）适应方法的研究激增，旨在缓解分布偏移并将知识从一个分布适应到另一个分布。在本综述中，我们对图 OOD 适应方法提供了最新且具有前瞻性的回顾，涵盖了两个主要问题场景：训练时和测试时的图 OOD 适应。我们首先正式表述这两个问题，然后讨论图上不同类型的分布偏移。基于我们提出的图 OOD 适应分类法，我们根据学习范式系统地 categorize 现有方法，并调查其背后的技术。最后，我们指出了有前景的研究方向及相应的挑战。我们还提供了一个持续更新的阅读列表：https://github.com/kaize0409/Awesome-Graph-OOD-Adaptation.git
引用
@article{arxiv.2402.11153,
title = {Beyond Generalization: A Survey of Out-Of-Distribution Adaptation on Graphs},
author = {Shuhan Liu and Kaize Ding},
journal= {arXiv preprint arXiv:2402.11153},
year = {2024}
}
备注
under review