GraphTTA：图神经网络上的测试时自适应
机器学习
2022-08-22 v1
摘要
近年来，测试时自适应（TTA）因其在处理现实世界中分布偏移问题上的能力而受到越来越多的关注。与为图像数据的卷积神经网络（CNNs）所开发的方法不同，TTA 在图神经网络（GNNs）上的探索较少。仍缺乏为具有不规则结构的图量身定制的高效算法。本文中，我们提出一种名为图对抗伪组对比（GAPGC）的新型测试时自适应策略，用于图神经网络 TTA，以更好地适应分布外（OOD）测试数据。具体而言，GAPGC 在 TTA 期间采用一种对比学习变体作为自监督任务，并配备对抗可学习增强器与组伪正样本，以增强自监督任务与主任务之间的相关性，从而提升主任务性能。此外，我们从信息论视角提供理论证据，表明 GAPGC 能从主任务中提取最小充分信息。在分子骨架 OOD 数据集上的大量实验表明，所提方法在 GNNs 上达到了当前最优性能。
引用
@article{arxiv.2208.09126,
title = {GraphTTA: Test Time Adaptation on Graph Neural Networks},
author = {Guanzi Chen and Jiying Zhang and Xi Xiao and Yang Li},
journal= {arXiv preprint arXiv:2208.09126},
year = {2022}
}
备注
ICML 2022 Workshop "Principles of Distribution Shift"