提升图 OOD 泛化的标准：超越显式环境建模的不变学习
机器学习
2025-08-05 v3 人工智能
摘要
分布外（OOD）泛化已成为图学习中的关键挑战，因为现实世界的图数据通常表现出多样且不断变化的环境，而传统模型无法跨环境泛化。解决这一问题的一个有前景的方案是图不变学习（GIL），旨在通过将标签相关的不变子图与环境特定子图解耦来学习不变表示。然而，现有的 GIL 方法面临两大主要挑战：（1）难以在图数据中捕获和建模多样的环境，以及（2）语义鸿沟，即来自不同类别的不变子图难以区分，导致类别可分性差且误分类增加。为了应对这些挑战，我们提出了一种名为多原型超球面不变学习（MPHIL）的新方法，该方法引入了两项关键创新：（1）超球面不变表示提取，实现鲁棒且具高度区分性的超球面不变特征提取，以及（2）多原型超球面分类，采用类别原型作为中间变量，消除了 GIL 中对显式环境建模的需求并缓解了语义鸿沟问题。基于 GIL 的理论框架，我们引入了两个新的目标函数：不变原型匹配损失（确保样本匹配到正确的类别原型）和原型分离损失（增加超球面空间中不同类别原型之间的区分度）。在 11 个 OOD 泛化基准数据集上的广泛实验表明，MPHIL 实现了最先进的性能，在来自不同领域且具有不同分布偏移的图数据上显著优于现有方法。
引用
@article{arxiv.2502.10706,
title = {Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling},
author = {Xu Shen and Yixin Liu and Yili Wang and Rui Miao and Yiwei Dai and Shirui Pan and Yi Chang and Xin Wang},
journal= {arXiv preprint arXiv:2502.10706},
year = {2025}
}