PISA：优先级不变子图聚合
机器学习
2025-12-01 v1
摘要
最近的工作将欧几里得空间中的不变原理从欠分布外推广到图数据，其中由于复杂结构和节点属性及拓扑的多样化分布偏移，面临挑战。为处理这些问题，Chen 等人提出了 CIGA（Chen 等人，2022b），其使用因果建模和信息论目标从图中提取单个不变子图以捕获因果特征。然而，这种单子图关注可能会遗漏多个因果模式。Liu 等人（2025）则通过采样器和多样性正则化学习和聚合多样化的不变子图以提高鲁棒性，但仍依赖简单的均匀或贪心聚合。为克服这一限制，提出的 PISA 框架引入了基于动态 MLP 的聚合机制，以更有效地优先级和组合子图表示。实验在包括 DrugOD（Ji 等人，2023）在内的 15 个数据集上进行，结果表明 PISA 在先前方法上实现了最高 5% 的分类准确率提升。
引用
@article{arxiv.2511.22435,
title = {PISA: Prioritized Invariant Subgraph Aggregation},
author = {Ali Ghasemi and Farooq Ahmad Wani and Maria Sofia Bucarelli and Fabrizio Silvestri},
journal= {arXiv preprint arXiv:2511.22435},
year = {2025}
}