用于图分布外泛化的子图聚合
机器学习
2025-04-21 v2
摘要
图神经网络（GNNs）中的分布外（OOD）泛化因其在现实场景中基于图的预测中的关键重要性而受到广泛关注。现有方法主要侧重于从输入图中提取单个因果子图以实现可泛化的预测。然而，依赖单个子图可能导致对虚假相关性的敏感性，并且不足以学习图数据背后的不变模式。此外，在许多现实世界的应用中，例如分子性质预测，多个关键子图可能影响目标标签性质。为了解决这些挑战，我们提出了一个新颖的框架，子图聚合（SuGAr），旨在学习一组对图上的OOD泛化至关重要的多样化子图。具体来说，SuGAr采用了一个定制的子图采样器和多样性正则化器来提取一组多样化的不变子图。然后，通过平均这些不变子图的表示来聚合它们，从而丰富了子图信号并增强了对潜在因果结构的覆盖，进而提高了OOD泛化能力。在合成数据集和真实世界数据集上的大量实验表明，我们的方法优于最先进的方法，在图上的OOD泛化方面实现了高达24%的提升。据我们所知，这是第一个通过学习多个不变子图来研究图OOD泛化的工作。代码：https://github.com/Nanolbw/SuGAr
引用
@article{arxiv.2410.22228,
title = {Subgraph Aggregation for Out-of-Distribution Generalization on Graphs},
author = {Bowen Liu and Haoyang Li and Shuning Wang and Shuo Nie and Shanghang Zhang},
journal= {arXiv preprint arXiv:2410.22228},
year = {2025}
}
备注
Accepted by AAAI 2025