OOD-GNN：分布外泛化图神经网络
机器学习
2021-12-15 v2
摘要
当测试与训练图数据来自相同分布时，图神经网络（GNNs）已取得令人印象深刻的性能。然而，现有GNNs缺乏分布外泛化能力，当测试与训练图数据之间存在分布偏移时，其性能会大幅下降。为解决此问题，本文提出一种分布外泛化图神经网络（OOD-GNN），以在具有与训练图不同分布的未见测试图上获得满意性能。我们提出的OOD-GNN采用一种利用随机傅里叶特征的新颖非线性图表示去相关方法，该方法通过迭代优化样本图权重和图编码器，促使模型消除相关与无关图表示之间的统计依赖。我们进一步提出一个全局权重估计器来学习训练图的权重，从而强制图表示中的变量相互独立。学习到的权重帮助图编码器摆脱虚假关联，进而更专注于所学判别性图表示与其真实标签之间的真实联系。我们进行了大量实验，在两个合成数据集和12个具有分布偏移的真实世界数据集上验证分布外泛化能力。结果表明，我们提出的OOD-GNN显著优于最先进的基线方法。
引用
@article{arxiv.2112.03806,
title = {OOD-GNN: Out-of-Distribution Generalized Graph Neural Network},
author = {Haoyang Li and Xin Wang and Ziwei Zhang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2112.03806},
year = {2021}
}
备注
19 pages