图上的分布外泛化：一项综述
机器学习
2023-01-02 v2
摘要
图机器学习在学术界和工业界都得到了广泛研究。尽管随着大量新兴方法和技术的涌现而蓬勃发展，现有文献大多建立在同分布假设之上，即测试图数据与训练图数据同分布。然而，在许多真实世界图场景中，同分布假设很难被满足，当测试与训练图数据之间存在分布偏移时，模型性能会大幅下降。为解决这一关键问题，超越同分布假设的图上分布外（OOD）泛化取得了重大进展，并吸引了研究界日益增长的关注。本文对图上OOD泛化进行了全面综述，详细回顾了该领域的最新进展。首先，我们给出了图上OOD泛化的形式化问题定义。其次，根据现有方法在图机器学习流程中的位置，从数据、模型和学习策略这三个概念不同的视角将其分为三类，并对每一类进行了详细讨论。我们还回顾了与图上OOD泛化相关的理论，并介绍了用于全面评估的常用图数据集。最后，我们分享了对未来研究方向的见解。据我们所知，本文是首个对图上OOD泛化进行系统且全面综述的工作。
引用
@article{arxiv.2202.07987,
title = {Out-Of-Distribution Generalization on Graphs: A Survey},
author = {Haoyang Li and Xin Wang and Ziwei Zhang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2202.07987},
year = {2023}
}