論文の概要: Towards OOD Generalization in Dynamic Graphs via Causal Invariant Learning
- arxiv url: http://arxiv.org/abs/2603.01626v1
- Date: Mon, 02 Mar 2026 09:00:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.782644
- Title: Towards OOD Generalization in Dynamic Graphs via Causal Invariant Learning
- Title（参考訳）: 因果不変学習による動的グラフのOOD一般化に向けて
- Authors: Xinxun Zhang, Pengfei Jiao, Mengzhou Gao, Tianpeng Li, Xuan Guo,
- Abstract要約: 動的グラフニューラルネットワーク(DyGNN)は有望な能力を示している。
動的グラフ OOD の一般化は以下の問題により非自明である。
因果的な不変パターンを利用したOOD一般化のための動的グラフ因果不変学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 13.955024397991169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although dynamic graph neural networks (DyGNNs) have demonstrated promising capabilities, most existing methods ignore out-of-distribution (OOD) shifts that commonly exist in dynamic graphs. Dynamic graph OOD generalization is non-trivial due to the following challenges: 1) Identifying invariant and variant patterns amid complex graph evolution, 2) Capturing the intrinsic evolution rationale from these patterns, and 3) Ensuring model generalization across diverse OOD shifts despite limited data distribution observations. Although several attempts have been made to tackle these challenges, none has successfully addressed all three simultaneously, and they face various limitations in complex OOD scenarios. To solve these issues, we propose a Dynamic graph Causal Invariant Learning (DyCIL) model for OOD generalization via exploiting invariant spatio-temporal patterns from a causal view. Specifically, we first develop a dynamic causal subgraph generator to identify causal dynamic subgraphs explicitly. Next, we design a causal-aware spatio-temporal attention module to extract the intrinsic evolution rationale behind invariant patterns. Finally, we further introduce an adaptive environment generator to capture the underlying dynamics of distributional shifts. Extensive experiments on both real-world and synthetic dynamic graph datasets demonstrate the superiority of our model over state-of-the-art baselines in handling OOD shifts.
- Abstract（参考訳）: 動的グラフニューラルネットワーク(DyGNN)は有望な能力を示しているが、既存のほとんどの手法は、動的グラフに一般的に存在するOOD(out-of-distriion)シフトを無視している。
動的グラフ OOD 一般化は、以下の課題により、非自明である。
1)複素グラフの進化における不変パターンと不変パターンの同定。
2)本質的な進化の合理性をこれらのパターンから捉えること、及び
3)データ分布に制限があるにもかかわらず,多様なOODシフトにまたがるモデル一般化の確保。
これらの課題に対処する試みはいくつかあるが、3つすべてに同時に対処することは成功しておらず、複雑なOODシナリオでは様々な制限に直面している。
そこで本稿では,OOD一般化のための動的グラフ因果不変学習(DyCIL)モデルを提案する。
具体的には、まず、因果的動的部分グラフを明示的に識別する動的因果的部分グラフ生成器を開発する。
次に、因果認識型時空間アテンションモジュールを設計し、不変パターンの背後にある本質的進化の理論的根拠を抽出する。
最後に、分散シフトの基盤となるダイナミクスを捉えるための適応環境生成装置についても紹介する。
実世界および合成動的グラフデータセットの広範な実験は、OODシフトを扱う際の最先端のベースラインよりも、我々のモデルの方が優れていることを示す。
関連論文リスト
- Balanced Anomaly-guided Ego-graph Diffusion Model for Inductive Graph Anomaly Detection [20.567053994822867]
不正検出やサイバーセキュリティといったアプリケーションでは、グラフ異常検出が不可欠だ。
本稿では、動的グラフモデリングとバランスの取れた異常合成を統合した新しいデータ中心フレームワークを提案する。
本フレームワークは,(1)異常の局所的なトポロジをキャプチャして異常な構造分布に整合したエゴグラフを生成する離散的エゴグラフ拡散モデル,(2)トレーニング中の合成データ生成を動的に調整するカリキュラムの異常拡張機構,(2)未表現の異常パターンに着目し,検出と一般化を改善する。
論文 参考訳（メタデータ） (2026-02-05T02:46:54Z) - Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments [61.62036321848316]
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。
論文 参考訳（メタデータ） (2025-11-04T08:22:29Z) - 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) - PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。
最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。
本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-11T12:04:47Z) - GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。
第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。
提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-10-25T05:27:45Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - 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) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-11-29T18:59:09Z)
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。