論文の概要: Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments

• arxiv url: http://arxiv.org/abs/2511.02354v1
• Date: Tue, 04 Nov 2025 08:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.850343
• Title: Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments
• Title（参考訳）: 非定常環境におけるアウト・オブ・ディストリビューション一般化のためのグラフ学習の展開
• Authors: Qingyun Sun, Jiayi Luo, Haonan Yuan, Xingcheng Fu, Hao Peng, Jianxin Li, Philip S. Yu,
• Abstract要約: グラフニューラルネットワーク(GNN)は、動的グラフ上の空間的パターンと時間的パターンを利用する際、顕著な成功を収めている。 既存のGNNは、動的シナリオでは避けられない分散シフトの下での能力の低下を示す。 本稿では環境対応不変パターン認識によるグラフ一般化(Evoal)の進化のための進化型グラフ学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 61.62036321848316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have shown remarkable success in exploiting the spatial and temporal patterns on dynamic graphs. However, existing GNNs exhibit poor generalization ability under distribution shifts, which is inevitable in dynamic scenarios. As dynamic graph generation progresses amid evolving latent non-stationary environments, it is imperative to explore their effects on out-of-distribution (OOD) generalization. This paper proposes a novel Evolving Graph Learning framework for OOD generalization (EvoOOD) by environment-aware invariant pattern recognition. Specifically, we first design an environment sequential variational auto-encoder to model environment evolution and infer the underlying environment distribution. Then, we introduce a mechanism for environment-aware invariant pattern recognition, tailored to address environmental diversification through inferred distributions. Finally, we conduct fine-grained causal interventions on individual nodes using a mixture of instantiated environment samples. This approach helps to distinguish spatio-temporal invariant patterns for OOD prediction, especially in non-stationary environments. Experimental results demonstrate the superiority of EvoGOOD on both real-world and synthetic dynamic datasets under distribution shifts. To the best of our knowledge, it is the first attempt to study the dynamic graph OOD generalization problem from the environment evolution perspective.
• Abstract（参考訳）: グラフニューラルネットワークは、動的グラフ上の空間的パターンと時間的パターンを活用することに顕著な成功を収めている。 しかし、既存のGNNは分布シフト下での一般化能力が劣っているため、動的なシナリオでは避けられない。 非定常環境が発展する中で、動的グラフ生成が進行するにつれて、それらの分布外一般化(OOD)への影響を探求することが不可欠である。 本稿では,環境対応不変パターン認識によるOOD一般化のための進化型グラフ学習フレームワークを提案する。 具体的には、まず環境の進化をモデル化し、基礎となる環境分布を推定するために、環境シーケンシャルな変分自動エンコーダを設計する。 次に, 環境適応型不変パターン認識機構を導入し, 推定分布による環境の多様化に対処する。 最後に,インスタンス化された環境サンプルの混合を用いて,個々のノードに対して微粒な因果介入を行う。 このアプローチは、特に非定常環境において、OOD予測のための時空間不変パターンを識別するのに役立つ。 実世界および合成動的データセットの分散シフトにおけるEvoGOODの優位性を示す実験結果が得られた。 我々の知る限りでは、環境進化の観点から動的グラフ OOD 一般化問題を研究する最初の試みである。

関連論文リスト

• 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)
• Environment-Aware Dynamic Graph Learning for Out-of-Distribution Generalization [41.58330883016538]
  本研究では,環境学習の観点から,動的グラフのアウト・オブ・ディストリビューション(OOD)一般化について検討する。 本稿では,複雑な環境をモデル化し,新しいグラフ時間変動パターンを利用するOOD一般化のための環境対応動的グラフ学習(EAGLE)フレームワークを提案する。 我々の知る限りでは、環境学習の観点から動的グラフのOOD一般化を初めて研究する。
  論文  参考訳（メタデータ） (2023-11-18T16:31:10Z)
• 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)

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。