基于对比学习的图数据在协变量分布迁移下的对抗性增强
机器学习
2026-04-22 v2 人工智能
摘要
协变量分布迁移是指测试集中存在的某些结构特征在训练集中缺失，这是现实图数据中常见的分布外（OOD）问题类型。现有研究表明，大多数即插即用的图神经网络（GNN）未能考虑协变量迁移。此外，我们观察到旨在解决协变量迁移的方法往往未充分利用潜在空间中所包含的丰富信息。以潜在空间的潜力为动机，我们引入一种新方法称为 MPAIACL，即利用对比学习实现更强大的对抗性不变增强。MPAIACL 利用对比学习充分发挥向量表示的内在信息潜力。通过大量实验，MPAIACL 显示其在各种公开 OOD 数据集上的鲁棒泛化和有效性。代码已公开于 https://github.com/flzeng1/MPAIACL。
引用
@article{arxiv.2512.00716,
title = {Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift},
author = {Fanlong Zeng and Wensheng Gan},
journal= {arXiv preprint arXiv:2512.00716},
year = {2026}
}
备注
8 tables, 8 figures