用于图泛化的协同分类与合理化

图神经网络（GNN）在图分类任务中取得了令人瞩目的成果，但在面对分布外（OOD）数据时难以有效泛化。已有若干方法被提出以解决此问题。其中，一种方案是通过修改数据环境来增加普通分类中训练分布的多样性，但获取环境信息十分复杂。此外，另一种有前景的方法涉及合理化（rationalization），即为预测提取不变的理由（rationales）。然而，由于学习信号有限，提取理由十分困难，导致理由不准确并削弱预测效果。为了应对这些挑战，本文提出了一种协同分类与合理化（C2R）方法，由分类模块和合理化模块组成。具体而言，我们首先在分类模块中假设存在多个环境。然后，我们使用环境条件生成网络引入多样的训练分布，从而获得鲁棒的图表示。同时，合理化模块采用分离器识别相关理由子图，并将剩余的非理由子图与标签去相关。接下来，我们利用知识蒸馏方法将分类模块的图表示与理由子图表示进行对齐，以增强理由的学习信号。最后，我们通过聚合非理由表示来推断多个环境，并将其纳入分类模块以进行协同学习。在基准数据集和合成数据集上的大量实验结果证明了C2R的有效性。代码可在 https://github.com/yuelinan/Codes-of-C2R 获取。