拓扑感知动态重加权用于图上的分布偏移
机器学习
2024-06-04 v1
摘要
图神经网络广泛用于节点分类任务，但当训练节点和测试节点来自不同分布时，往往无法泛化，限制了其实用性。为了克服这一点，最近的方法采用了来自分布外泛化领域的不变学习技术，旨在跨环境建立稳定的预测方法。然而，这些不变假设对图数据的适用性仍未得到验证，并且此类方法通常缺乏坚实的理论支持。在这项工作中，我们引入了拓扑感知动态重加权（TAR）框架，该框架在训练期间通过几何Wasserstein空间中的梯度流动态调整样本权重。我们证明，我们的方法不依赖于严格的不变性假设，而是能够提供分布鲁棒性，从而增强图数据上的分布外泛化性能。通过利用固有的图结构，TAR有效地解决了分布偏移。我们的框架在四个图OOD数据集和三个类别不平衡节点分类数据集上的标准测试中表现出优越性，显示出对现有方法的显著改进。
引用
@article{arxiv.2406.01066,
title = {Topology-Aware Dynamic Reweighting for Distribution Shifts on Graph},
author = {Weihuang Zheng and Jiashuo Liu and Jiaxing Li and Jiayun Wu and Peng Cui and Youyong Kong},
journal= {arXiv preprint arXiv:2406.01066},
year = {2024}
}