基于渐进推理的图分布外泛化
机器学习
2025-03-06 v1
摘要
图神经网络（GNN）的开发与评估通常遵循独立同分布（i.i.d.）假设。然而，由于不可控的数据生成机制，这一假设在实际中往往难以成立。特别是当数据分布出现显著偏移时，大多数 GNN 无法产生可靠的预测，甚至可能做出随机决策。提升模型泛化能力最有前景的解决方案之一是从输入图中提取因果不变部分。然而，我们观察到现有方法学习到的因果部分与真实因果部分之间存在显著的分布差距，导致性能不佳。针对上述问题，本文提出了 GPro，一种通过渐进推理学习图因果不变性的模型。具体而言，复杂的图因果不变性学习被分解为从易到难的多个中间推理步骤，GPro 的感知能力通过渐进推理过程持续增强，以提取对分布偏移稳定的因果特征。我们还通过构造反事实样本扩大了训练分布，以增强 GPro 捕捉因果不变部分的能力。大量实验表明，所提出的 GPro 平均优于最先进方法 4.91%。对于分布偏移更严重的数据集，性能提升可达 6.86%。
引用
@article{arxiv.2503.02988,
title = {Out-of-Distribution Generalization on Graphs via Progressive Inference},
author = {Yiming Xu and Bin Shi and Zhen Peng and Huixiang Liu and Bo Dong and Chen Chen},
journal= {arXiv preprint arXiv:2503.02988},
year = {2025}
}
备注
Accepted by AAAI2025