用于图分类外推的尺寸不变图表示
机器学习
2021-12-08 v2
摘要
一般而言，图表示学习方法假设训练与测试数据来自同一分布。本工作中我们考虑图表示学习这一快速发展的领域中一个未被充分探索的方向：分布外（OOD）图分类任务，其中训练与测试数据具有不同分布，且训练时测试数据不可用。我们的工作表明，可使用因果模型学习近似不变表示，从而在训练与测试数据间更好地外推。最后，我们以合成与真实世界数据集实验作结，展示了对训练/测试分布偏移不变的表示所带来的益处。
引用
@article{arxiv.2103.05045,
title = {Size-Invariant Graph Representations for Graph Classification Extrapolations},
author = {Beatrice Bevilacqua and Yangze Zhou and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2103.05045},
year = {2021}
}
备注
Accepted at ICML 2021