增强图数据分布和标签一致性用于图的外分布泛化

为了应对图数据中的分布偏移，最近提出了 various graph 图的外分布 (OOD) 泛化技术。这些方法常采用 two-step strategy：首先创建增强环境，然后识别不变子图以提高泛化性。然而，从 consistency 的角度来看，这种方法可能次优。首先，通过改变图结构但保持标签不变的增强环境过程可能导致不真实或与原始分布不具备有意义关联的图，从而缺乏分布一致性。其次，提取的子图来自直接修改图，可能不一定保持与其标签之间的一致的预测关系，从而影响标签一致性。针对这些挑战，我们引入一种创新方法，旨在增强这两种一致性以实现图 OOD 泛化。我们提出了一种 modifier 用于统一方式获取增强图和不变图。通过增强图，我们在不损害标签-图关系完整性的前提下丰富训练数据。我们框架中的标签一致性增强进一步保留了不变图中的监督信息。我们在真实世界数据集上进行大量实验，以Demonstrate our framework 在其他 state-of-the-art baseline 之上的优势。