解释与适配图条件偏移
机器学习
2023-06-07 v1 机器学习
摘要
图神经网络(GNNs)在图结构数据上展现出卓越性能。然而,近期的实证研究指出,GNNs极易受分布偏移影响。关于为何基于图的模型似乎更易受这些偏移影响,仍存在显著的不确定性。本文通过量化输入特征与输出标签之间的条件偏移程度,对其进行了深入的理论分析。我们的发现表明,图的异配性(heterophily)和模型架构都会加剧条件偏移,导致性能下降。为此,我们提出了一种方法,通过估计并最小化图上的条件偏移来实现无监督域适应。在受控的合成实验中,我们的算法对分布偏移表现出鲁棒性,相较次优算法绝对ROC AUC提升高达10%。此外,在节点分类和图分类上的综合实验表明,其在各种分布偏移下均具有鲁棒性能。
引用
@article{arxiv.2306.03256,
title = {Explaining and Adapting Graph Conditional Shift},
author = {Qi Zhu and Yizhu Jiao and Natalia Ponomareva and Jiawei Han and Bryan Perozzi},
journal= {arXiv preprint arXiv:2306.03256},
year = {2023}
}