面向分布外泛化的环境感知动态图学习
机器学习
2023-11-21 v1 人工智能
摘要
动态图神经网络（DGNNs）在挖掘动态图上的时空模式方面日益普及。然而，现有工作无法在分布偏移下泛化，而分布偏移在真实场景中十分常见。由于动态图的生成深受潜在环境的影响，研究它们对分布外（OOD）泛化的影响至关重要。然而，该问题尚未被探索，且存在以下两大挑战：（1）如何恰当地对具有分布偏移的动态图上的复杂环境进行建模与推断？（2）在给定推断出的时空环境下，如何发现不变模式？为应对这些挑战，我们提出一种新颖的环境感知动态图学习（EAGLE）框架，通过建模复杂耦合环境并挖掘时空不变模式来实现 OOD 泛化。具体而言，我们首先设计环境感知的 EA-DGNN，通过多通道环境解耦对环境进行建模。然后，我们提出一种环境实例化机制，利用推断出的分布实现环境多样化。最后，我们通过不变模式识别机制判别用于分布外预测的时空不变模式，并利用实例化环境样本的混合按节点进行细粒度因果干预。在真实与合成动态图数据集上的实验证明了我们的方法在分布偏移下相对于最先进基线的优越性。据我们所知，我们是首个从环境学习视角研究动态图 OOD 泛化的工作。
引用
@article{arxiv.2311.11114,
title = {Environment-Aware Dynamic Graph Learning for Out-of-Distribution Generalization},
author = {Haonan Yuan and Qingyun Sun and Xingcheng Fu and Ziwei Zhang and Cheng Ji and Hao Peng and Jianxin Li},
journal= {arXiv preprint arXiv:2311.11114},
year = {2023}
}
备注
Accepted by the 37th Conference on Neural Information Processing Systems (NeurIPS 2023)