基于均值约束与降噪的鲁棒图表外分布学习
机器学习
2025-06-25 v1
摘要
图表外分布（OOD）分类通常会因类别不平衡和结构噪声而出现显著的性能下降。本工作针对这一背景下的两个紧迫挑战：（1）由于标签分布偏斜导致的少数类表现不佳；（2）它们对图表数据中的结构噪声高度敏感。为此，我们提出两种互补解决方案。首先，受约束的均值优化（CMO）通过鼓励在最坏情况下基于相似性的实例聚类，提高了少数类的鲁棒性。其次，邻居感知降噪重加权（NNR）机制根据局部结构一致性对训练样本分配动态权重，从而减轻噪声的影响。我们对方法提供了理论依据，并通过实验在合成数据集和真实数据集上验证了其有效性，显示出在图表ODD泛化和分类准确率方面显著的改进。我们的代码已公开：https://anonymous.4open.science/r/CMO-NNR-2F30。
引用
@article{arxiv.2506.19281,
title = {Robust OOD Graph Learning via Mean Constraints and Noise Reduction},
author = {Yang Zhou and Xiaoning Ren},
journal= {arXiv preprint arXiv:2506.19281},
year = {2025}
}
备注
8 pages, 6 figures