面向分布外泛化的图结构与特征外推
机器学习
2024-06-06 v2
摘要
分布外（OOD）泛化处理测试分布偏离训练分布的普遍学习场景。随着应用需求上升与内在复杂性，图 OOD 问题呼唤专门化解决方案。尽管以数据为中心的方法在许多通用机器学习任务上展现性能提升，但明显缺乏为图 OOD 泛化定制的的数据增强方法。本工作中，我们提出通过非欧几里得空间线性外推的新颖设计实现图 OOD 泛化。所提增强策略外推结构空间与特征空间以生成 OOD 图数据。我们的设计在不破坏底层因果机制的前提下为特定偏移定制 OOD 样本。理论分析与实证结果证明该方法在解决目标偏移上的有效性，在各图 OOD 任务上展现显著且稳定的提升。
引用
@article{arxiv.2306.08076,
title = {Graph Structure and Feature Extrapolation for Out-of-Distribution Generalization},
author = {Xiner Li and Shurui Gui and Youzhi Luo and Shuiwang Ji},
journal= {arXiv preprint arXiv:2306.08076},
year = {2024}
}