EdgeMask-DG*：通过对抗边缘遮蔽学习领域无关图结构
机器学习
2026-02-06 v1
摘要
结构性偏移对图神经网络构成重大挑战，因为图拓扑作为协变量可能在不同领域中发生变化。现有的域概括方法依赖于固定的结构增强或在全局扰动图上进行训练，这些机制并未指向哪些特定边缘编码了领域无关信息。我们认为，领域无关的结构信息并非严格绑定于单一拓扑结构，而是分布于由拓扑和特征相似性派生出的多个图结构之间的共识。为捕获这一点，我们首先提出 EdgeMask-DG，一种新型 min-max 算法，其中边缘遮蔽器学习在稀疏约束下寻找最坏情况的连续遮蔽，迫使任务 GNN 在这些对抗结构扰动下仍能有效工作。基于此，我们引入 EdgeMask-DG*，该方法将对抗遮蔽原则应用于丰富化图上，原始拓扑与特征派生边缘相结合，使模型即使在原始拓扑噪声或领域特定时也能发现不变性。EdgeMask-DG* 是首个系统性地将自适应对抗拓扑搜索与特征丰富图结合的模型。我们从鲁棒优化视角对该方法进行形式化依据。我们展示了 EdgeMask-DG* 在多样化图域概括基准测试中的新型最先进性能，包括引用网络、社交网络和时序图。值得注意的是，在 Cora OOD 基准测试中，EdgeMask-DG* 将最差情境准确率提升至 78.0%，比现有最先进水平（74.2%）提高了 3.8 个百分点。我们的实验代码可在此处获取：https://anonymous.4open.science/r/TMLR-EAEF/。
引用
@article{arxiv.2602.05571,
title = {EdgeMask-DG*: Learning Domain-Invariant Graph Structures via Adversarial Edge Masking},
author = {Rishabh Bhattacharya and Naresh Manwani},
journal= {arXiv preprint arXiv:2602.05571},
year = {2026}
}