通过因果不变学习实现动态图的跨分布 generalizes
机器学习
2026-03-03 v1
摘要
虽然动态图神经网络 (DyGNNs) 已展现出有前景的能力，但大多数现有方法忽略了动态图中常见的跨分布 (OOD) 偏移。动态图 OOD 泛化面临以下挑战：1) 在复杂图演化中识别不变与可变模式，2) 从这些模式中捕捉内在的演化理由，3) 尽管分布观察数据有限，仍确保在多样化 OOD 偏移下的模型泛化。尽管已有多种尝试解决这些挑战，但从未成功地同时解决所有问题，且在复杂 OOD 场景中面临各种局限。为解决这些问题，我们提出一种动态图因果不变学习 (DyCIL) 模型，通过因果视角挖掘不变的时空模式实现 OOD 泛化。具体而言，我们首先开发了一个动态因果子图生成器，显式识别因果动态子图。随后，我们设计了一个因果感知时空注意力模块，以提取不变模式背后的内在演化理由。最后，我们进一步引入一个自适应环境生成器，以捕捉分布偏移的底层动态。在大量真实世界和合成动态图数据集上进行的广泛实验表明，我们模型相较于最先进的基线在处理 OOD 偏移方面具有优势。
引用
@article{arxiv.2603.01626,
title = {Towards OOD Generalization in Dynamic Graphs via Causal Invariant Learning},
author = {Xinxun Zhang and Pengfei Jiao and Mengzhou Gao and Tianpeng Li and Xuan Guo},
journal= {arXiv preprint arXiv:2603.01626},
year = {2026}
}
备注
16 pages, 9 figures, accepted by AAAI2026