面向分布外图学习的互补监督与自监督表示
Complementary Supervised and Self-Supervised Representations for Out-of-Distribution Graph Learning
精选理由
提出融合监督与自监督表示的方法，提升图神经网络跨时域、跨域节点分类的泛化能力。
AI 摘要
arXiv:2610.07628v1 公告类型：新 摘要：由于图分布可能随时间和领域发生显著变化，分布外（OOD）泛化对于图神经网络（GNN）而言仍然具有挑战性。监督式和自监督式图表示学习由不同的目标引导，并为图表示提供了不同的视角。在本文中，我们研究自监督表示（SSL）能否提供互补信号，从而改进监督式 OOD 节点分类。我们提出了两个与骨干网络无关的框架，在学习和预测的不同阶段利用这类信息。Co-Train 联合学习监督表示和 SSL 表示，并在训练过程中自适应地融合二者；Dual-Space Retrieval 则在两个表示空间中执行非参数化预测，并在推理时通过置信度感知的融合机制组合预测结果。监督编码器和 SSL 编码器分别进行参数化，无需采用相同的 GNN 架构。我们在四个涵盖时间分布偏移和跨领域分布偏移的图基准上，评估了多个 GNN 骨干网络以及两种不同的 SSL 目标：DGI 和 GRACE。大量实验表明，Co-Train 始终优于强大的监督式 OOD 基线方法，而 Dual-Space Retrieval 作为一种灵活的非参数化替代方案，取得了具有竞争力的性能。在不同骨干网络和 SSL 目标上的结果，以及表示分析和消融实验，共同表明 SSL 表示能够为监督表示提供互补信息，并可在多种设置下改进 OOD 节点分类。