分布偏移下的图学习：关于域适应、分布外学习与持续学习的综合综述
机器学习
2024-03-08 v2 社会与信息网络
摘要
图学习在建模由图结构数据表示的复杂数据关系方面具有显著有效性，因此在从社交网络分析到推荐系统等各种应用场景中发挥着关键作用并受到广泛关注。现实中，真实世界的图数据通常随时间呈现动态变化，节点属性和边结构不断改变，从而导致严重的图数据分布偏移问题。分布偏移的多样性和复杂性加剧了这一问题，显著影响图学习方法的泛化与适应能力，对其有效性构成重大挑战。本综述全面回顾并总结了针对图学习背景下分布偏移问题的最新方法、策略与见解。具体而言，根据推理阶段分布的可观测性以及训练阶段充分监督信息的可用性，我们将现有的图学习方法划分为几个关键场景，包括图域适应学习、图分布外学习和图持续学习。针对每个场景，我们提出了详细的分类体系，并对分布偏移下图学习的现有进展进行了具体描述与讨论。此外，我们通过对该领域现状的系统分析，探讨了分布偏移下图学习的潜在应用与未来方向。本综述旨在为开发处理图分布偏移的有效图学习算法提供总体指导，并激发该领域的未来研究与进步。
引用
@article{arxiv.2402.16374,
title = {Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning},
author = {Man Wu and Xin Zheng and Qin Zhang and Xiao Shen and Xiong Luo and Xingquan Zhu and Shirui Pan},
journal= {arXiv preprint arXiv:2402.16374},
year = {2024}
}