論文の概要: Improving Graph Out-of-distribution Generalization on Real-world Data

• arxiv url: http://arxiv.org/abs/2407.10204v1
• Date: Sun, 14 Jul 2024 13:48:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 19:09:07.133564
• Title: Improving Graph Out-of-distribution Generalization on Real-world Data
• Title（参考訳）: 実世界のデータにおけるグラフアウトオブディストリビューション一般化の改善
• Authors: Can Xu, Yao Cheng, Jianxiang Yu, Haosen Wang, Jingsong Lv, Xiang Li,
• Abstract要約: 本稿では,環境-ラベル依存性と可変理性不変性の定理について述べる。 分析研究に基づき, 実世界データ上でのOODグラフの確率依存性と合理性」という, 変分推論に基づく新しい手法を紹介した。
• 参考スコア（独自算出の注目度）: 25.328653597674197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing methods for graph out-of-distribution (OOD) generalization primarily rely on empirical studies on synthetic datasets. Such approaches tend to overemphasize the causal relationships between invariant sub-graphs and labels, thereby neglecting the non-negligible role of environment in real-world scenarios. In contrast to previous studies that impose rigid independence assumptions on environments and invariant sub-graphs, this paper presents the theorems of environment-label dependency and mutable rationale invariance, where the former characterizes the usefulness of environments in determining graph labels while the latter refers to the mutable importance of graph rationales. Based on analytic investigations, a novel variational inference based method named ``Probability Dependency on Environments and Rationales for OOD Graphs on Real-world Data'' (DEROG) is introduced. To alleviate the adverse effect of unknown prior knowledge on environments and rationales, DEROG utilizes generalized Bayesian inference. Further, DEROG employs an EM-based algorithm for optimization. Finally, extensive experiments on real-world datasets under different distribution shifts are conducted to show the superiority of DEROG. Our code is publicly available at https://anonymous.4open.science/r/DEROG-536B.
• Abstract（参考訳）: 既存のグラフアウト・オブ・ディストリビューション(OOD)の一般化法は、主に合成データセットに関する経験的研究に依存している。 このようなアプローチは、不変部分グラフとラベルの間の因果関係を過度に強調し、現実のシナリオにおける環境の非無視的な役割を無視する傾向がある。 環境と不変部分グラフに厳密な独立性仮定を課す従来の研究とは対照的に, 前者はグラフラベル決定における環境の有用性を, 後者はグラフの有理性の重要性を論じる。 実世界データにおけるOODグラフの確率依存性と合理性」という新しい変分推論手法が提案されている。 未知の事前知識が環境や理性に与える影響を軽減するために、DEROGは一般化されたベイズ推論を利用する。 さらに、DROGは最適化のためにEMベースのアルゴリズムを採用している。 最後に、分散シフトの異なる実世界のデータセットに関する広範な実験を行い、DEROGの優位性を示す。 私たちのコードはhttps://anonymous.4open.science/r/DEROG-536Bで公開されています。

関連論文リスト

• Mitigating Graph Covariate Shift via Score-based Out-of-distribution Augmentation [16.59129444793973]
  トレーニングとテストデータセット間の分散シフトは、グラフ学習におけるモデルパフォーマンスを著しく損なう。 本稿では,全体のグラフパターンの妥当性と安定性を保ちつつ,未知の環境特徴を合成するスコアベースのグラフ生成戦略を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-23T02:09:02Z)
• IENE: Identifying and Extrapolating the Node Environment for Out-of-Distribution Generalization on Graphs [10.087216264788097]
  ノードレベルの環境識別と外挿技術に基づくグラフのOOD一般化手法であるIENEを提案する。 モデルが2つの粒度から不変性を同時に抽出する能力を強化し、一般化が向上する。
  論文  参考訳（メタデータ） (2024-06-02T14:43:56Z)
• Improving out-of-distribution generalization in graphs via hierarchical semantic environments [5.481047026874547]
  グラフ毎に階層的な環境を生成する新しい手法を提案する。 我々は、同じ階層内の環境の多様性を学ぶために、我々のモデルを導く新しい学習目標を導入する。 我々のフレームワークは、それぞれIC50とEC50予測タスクの最高のベースラインに対して、1.29%と2.83%の改善を実現しています。
  論文  参考訳（メタデータ） (2024-03-04T07:03:10Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。