子群移位下的新颖节点类别检测
内容提要
本文研究了图神经网络在分布变化下的鲁棒性，提出了一种基于条件转移的无监督领域自适应方法。同时介绍了COnfidence-baSed MOdel Selection（CosMoS）方法，通过动态选择模型实现高性能，并探讨了图学习中的分布转变问题及其解决方案，分析了潜在应用和未来研究方向。
延伸解读
图神经网络分布偏移的应对思路
文章指出图神经网络易受分布变化影响，并提出基于条件转移的无监督领域自适应方法。该方法在合成和实际数据实验中表现出鲁棒性，为图领域适应提供了一种不依赖目标域标签的解决方案。读者可关注其如何利用条件转移对齐分布，以及在不同图结构上的泛化能力。
模型选择与子群体鲁棒性的权衡
CosMoS方法基于模型置信度动态选择不同强度的模型，以在多数和少数子群体上实现高性能。同时，文章提出基于最差类准确率的选择标准，并强调最差组准确率与其他指标间的权衡。这提示实践者：在子群体偏移场景下，需根据应用对公平性与整体性能的偏好来调整模型选择策略。
开放世界下的新类别发现
针对开放世界问题，文章利用部分类别空间注释数据，通过硬约束和软约束结合的方法，实现已知类别的分类聚类及新类别发现。这一思路有助于在标注不完整时识别未知类别，但实际效果可能受约束设计影响。读者可关注其如何平衡已知类判别与新类聚类的冲突。
多模态基础模型的去偏与鲁棒性
文章探讨了利用多模态基础模型中的分布鲁棒性，通过参数微调和自然语言输入来消除图像特征偏见，从而改善子群体变化下的最坏情况性能。实证表明，基于自然语言的去偏表示能显著提升性能并降低不稳定性。这为利用语言引导提升视觉模型鲁棒性提供了新方向。
Q&A
图神经网络在分布变化下的鲁棒性如何提高？
通过提出基于条件转移的无监督领域自适应方法，图神经网络在分布变化下表现出更好的鲁棒性。
什么是COnfidence-baSed MOdel Selection（CosMoS）方法？
CosMoS方法通过动态选择不同强度的模型，基于模型置信度在多数和少数子群体上实现高性能。
如何解决开放世界问题中的新类别数据聚类？
通过基于部分类别空间注释数据的方法，结合硬约束和软约束，实现了新类别数据的聚类。
次群体转变机制对算法的影响是什么？
次群体转变机制影响算法的泛化能力，提出了基于最差类准确率的选择标准以平衡不同指标。
在高成本标注问题下，如何提高图形节点分类性能？
使用监督图形对比学习、数据增强和多尺度对比等机制，可以有效提高图形节点分类任务的性能。
如何评估模型对子群体变化的鲁棒性？
通过控制数据次群体的训练和测试集，进行模型对子群体变化的鲁棒性评估和测试。
