DIVE：子图分歧用于图形分布外泛化
内容提要
本文综述了图形领域中的OOD（Out-Of-Distribution）适应方法，分类现有技术并探讨未来研究方向。提出了GOOD-D和GLIDER框架，改进了无监督图对比学习的异分布推广性。同时，研究揭示了图神经网络中的潜在偏差，并提出了基于因果关系的StableGNN框架，显著提高了模型的泛化性能。
延伸解读
图OOD泛化的技术路线分类
文章将图OOD适应方法按其在机器学习流水线中的位置分为数据、模型和学习策略三类。这种分类有助于读者理解不同方法的作用层面：数据类方法可能关注环境生成或增强，模型类方法侧重架构设计，学习策略类则涉及训练目标如对比学习或因果推断。读者可据此定位具体技术，例如GOOD-D属于学习策略，StableGNN属于模型类。
从因果视角缓解图神经网络偏差
文章指出图神经网络在节点分布迁移中存在环境背景的潜在混淆偏差，并介绍了基于因果推断的StableGNN框架。该框架通过提取高级表示并消除虚假相关性，在分布迁移基准上相比最先进方法最多提高27.4%的准确率。这提示读者，因果方法能提升泛化性和解释性，但需注意其依赖因果假设，实际效果可能因数据生成过程而异。
无监督图对比学习的异分布推广
针对无监督图对比学习，文章提出了MARIO方案，引入信息瓶颈和不变性原则，在异分布测试集上达到最先进性能，同时在内分布测试集上保持相当性能。这表明提升OOD泛化不一定牺牲ID性能。读者可关注其模型无关特性，便于集成到现有对比学习框架中，但需注意实验覆盖的分布偏移类型可能有限。
Q&A
什么是OOD适应方法？
OOD适应方法是指在图形领域中，针对分布外数据进行适应和推广的技术，旨在提高模型在未知数据上的表现。
GOOD-D框架的主要功能是什么？
GOOD-D框架通过无监督学习实现OOD图像的检测，能够在没有标签的情况下准确识别分布外图像。
GLIDER框架如何提升模型性能？
GLIDER框架通过处理节点级别的属性和拓扑结构的共同分布转变，提升了OOD广义化跨域模型的性能。
StableGNN框架的创新之处是什么？
StableGNN框架通过因果推断消除虚假相关性，增强了模型的有效性、灵活性和解释性。
MARIO方案的主要贡献是什么？
MARIO方案改善了无监督图对比学习的异分布推广性，并在内分布测试集上保持了良好的性能。
文章中提到的图不变性学习方法有什么优势？
新型图不变性学习方法通过混合多个环境捕捉不变模式，显著优于现有方法，提升了模型的泛化能力。
