重新思考图形离分布泛化：基于可学习随机漫步的视角
机器学习
2025-05-12 v1
摘要
离分布(OOD)泛化在机器学习图上获得日益关注，因为图神经网络(GNN)常常在分布偏移下表现下降。现有的图形 OOD 方法倾向于遵循不变风险最小化和结构因果模型的基本思想，将各种分布偏移下的不变知识解释为图拓扑或图谱。然而，这些解释可能与现实世界情景不一致，因为既不保证不变拓扑也不保证谱。本文我们提倡可学习随机漫步(LRW)的视角作为不变知识的实例化，提出LRW-OOD来实现图 OOD 泛化学习。不使用固定概率转移矩阵(即度归一化邻接矩阵)，我们使用LRW采样器和路径编码器对转移矩阵进行参数化。此外，我们提出基于核密度估计(KDE)的互信息(MI)损失以生成遵循 OOD 原则的随机漫步序列。广泛的实验表明，我们的模型可以在各种类型分布偏移下有效增强图 OOD 泛化，并在最新图 OOD 泛化基准上实现约3.87%的显著精度提升。
引用
@article{arxiv.2505.05785,
title = {Rethinking Graph Out-Of-Distribution Generalization: A Learnable Random Walk Perspective},
author = {Henan Sun and Xunkai Li and Lei Zhu and Junyi Han and Guang Zeng and Ronghua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2505.05785},
year = {2025}
}
备注
Under Review