SCL-GNN：通过虚假关联学习实现通用图神经网络
机器学习
2026-03-10 v1 人工智能
摘要
图神经网络（GNN）在众多任务中展现出显著的成功，但其泛化能力常受节点特征与图中标签之间虚假关联的制约。我们的分析表明，GNN倾向于利用训练数据中甚至不可靠的统计关联，即便这些关联在预测中并不可靠。为此，我们提出了一种名为Spurious Correlation Learning Graph Neural Network（虚假关联学习图神经网络，SCL-GNN）的新型框架，以提升其在独立同分布（IID）和超出分布（OOD）图上的泛化能力。SCL-GNN融合了原则化的虚假关联学习机制，利用希尔伯特-史迪姆独立性准则（Hilbert-Schmidt Independence Criterion, HSIC）量化节点表示与类别得分之间的关联，从而有效识别并消除不相关但具有影响力的虚假关联。此外，我们引入了高效的双层优化策略，以联合优化模块和GNN参数，防止过拟合。在真实数据集和合成数据集上的大量实验表明，SCL-GNN在各种分布迁移情景下均优于当前最先进的基线方法，凸显其鲁健性和泛化能力。
关键词
引用
@article{arxiv.2603.08270,
title = {SCL-GNN: Towards Generalizable Graph Neural Networks via Spurious Correlation Learning},
author = {Yuxiang Zhang and Enyan Dai},
journal= {arXiv preprint arXiv:2603.08270},
year = {2026}
}