面向非平稳环境下 out-of-distribution 一般化的演化图学习
机器学习
2025-11-25 v2
摘要
图神经网络在利用动态图上的空间和时间模式方面显示出显著成功。然而，现有的 GNN 在分布迁移下表现出差劲的一般化能力，这在动态情境中是不可避免的。随着动态图生成在演化的潜在非平稳环境中进行，探索其对 out-of-distribution (OOD) 一般化的影响刻不容缓。本文提出一种新的演化图学习框架用于 OOD 一般化（EvoOOD），通过 environment-aware 不变模式识别实现。具体而言，我们首先设计了 environment sequential 变分自编码器来建模 environment 演化并推断潜在的 environment 分布。随后，我们引入一种针对 environment 分布推断的 environment-aware 不变模式识别机制，以应对 environment 多样化。最后，我们通过混合实例化 environment 样本对 individual 节点进行细粒度因果干预。这一方法有助于区分用于 OOD 预测的时空不变模式，尤其是在非平稳环境中。实验结果表明，EvoOOD 在面向分布迁移的真实动态数据集和合成动态数据集上均表现出优势。据我们所知，这是首次从 environment 演化视角研究动态图 OOD 一般化问题。
引用
@article{arxiv.2511.02354,
title = {Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments},
author = {Qingyun Sun and Jiayi Luo and Haonan Yuan and Xingcheng Fu and Hao Peng and Jianxin Li and Philip S. Yu},
journal= {arXiv preprint arXiv:2511.02354},
year = {2025}
}
备注
Accepted by TPAMI