FRGNN：通过测试时特征重构缓解分布偏移对图神经网络的影响
机器学习
2023-10-16 v2
摘要
由于样本选择不当和训练数据有限，训练集与测试集之间常常存在分布偏移。这种偏移会对图神经网络（GNNs）的测试性能产生不利影响。现有方法或通过增强 GNNs 对分布偏移的鲁棒性，或通过减小偏移本身来缓解该问题。然而，这两种方法都需要重新训练模型，当模型结构与参数不可访问时便不可行。为应对这一挑战，我们提出 FR-GNN，一种用于 GNNs 进行特征重构的通用框架。FRGNN 在训练好的 GNN 的输出与输入之间构建映射关系以获得类代表性嵌入，进而利用这些嵌入重构有标签节点的特征。这些重构后的特征随后被纳入 GNNs 的消息传递机制中，以在测试时影响无标签节点的预测。值得注意的是，重构的节点特征可直接用于测试训练好的模型，有效减小分布偏移并带来改进的测试性能。这一显著成果是在不修改模型结构或参数的情况下实现的。我们为框架的有效性提供了理论保证。此外，我们在多个公开数据集上进行了全面实验。实验结果表明，与多类基线方法相比，FRGNN 具有更优的性能。
引用
@article{arxiv.2308.09259,
title = {FRGNN: Mitigating the Impact of Distribution Shift on Graph Neural Networks via Test-Time Feature Reconstruction},
author = {Rui Ding and Jielong Yang and Feng Ji and Xionghu Zhong and Linbo Xie},
journal= {arXiv preprint arXiv:2308.09259},
year = {2023}
}