DeCaf：用于节点分类 OOD 泛化的因果解耦框架
机器学习
2024-10-29 v1
摘要
图神经网络（GNN）容易受到分布偏移的影响，在关键领域造成脆弱性和安全问题。迫切需要增强 GNN 在分布外（OOD）测试数据上的泛化能力。现有旨在学习不变（特征，结构）-标签映射的方法通常依赖于对数据生成过程的过度简化假设，这些假设未能充分反映图中分布偏移的实际动态。在本文中，我们使用结构因果模型（SCM）引入了一个更现实的图数据生成模型，使我们能够通过精确定位分布偏移在生成过程中的起源来重新定义分布偏移。在此基础上，我们提出了一个因果解耦框架 DeCaf，独立学习无偏的特征-标签和结构-标签映射。我们提供了一个详细的理论框架，展示了我们的方法如何有效减轻各种分布偏移的影响。我们在展现不同偏移模式的真实世界和合成数据集上对 DeCaf 进行了评估，证实了其在增强 GNN 泛化能力方面的有效性。
引用
@article{arxiv.2410.20295,
title = {DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification},
author = {Xiaoxue Han and Huzefa Rangwala and Yue Ning},
journal= {arXiv preprint arXiv:2410.20295},
year = {2024}
}