联合学习标签与环境因果独立性以实现图分布外泛化
机器学习
2023-11-02 v3 人工智能
摘要
我们解决图分布外（OOD）泛化问题。现有的图 OOD 算法要么依赖受限假设，要么未能利用训练数据中的环境信息。在本文中，我们提出同时引入标签与环境因果独立性（LECI）以充分利用标签与环境信息，从而解决先前方法在识别因果与不变子图方面面临的挑战。我们进一步开发了一种对抗训练策略，在理论保证下联合优化这两个属性以进行因果子图发现。大量实验与分析表明，LECI 在合成与真实世界数据集上均显著优于先前方法，确立了 LECI 作为图 OOD 泛化的实用且有效解决方案的地位。我们的代码可在 https://github.com/divelab/LECI 获取。
引用
@article{arxiv.2306.01103,
title = {Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization},
author = {Shurui Gui and Meng Liu and Xiner Li and Youzhi Luo and Shuiwang Ji},
journal= {arXiv preprint arXiv:2306.01103},
year = {2023}
}