探究图神经网络的超范围泛化：一种架构视角
内容提要
该文综述图神经网络在分布外泛化方面的进展，涵盖StableGNN、OOD-GNN、OODGAT、OOD-GMixup、MARIO等模型，分别通过因果推断、随机傅里叶特征、注意力机制、混合样本、不变性学习等方法消除虚假相关、应对分布偏移，提升模型在新图数据上的泛化能力与解释性。
延伸解读
从因果视角消除虚假相关
StableGNN 和 OOD-GNN 都试图解决图数据中的虚假相关问题。StableGNN 借助因果推断提取高级表示，区分因果与虚假关联；OOD-GNN 则利用随机傅里叶特征消除表示中相关与不相关部分的统计依赖。两者思路不同，但目标一致：让模型在分布外数据上更稳健。读者可关注它们如何定义和分离“相关”与“不相关”部分。
针对节点级分布偏移的注意力方案
OODGAT 专门处理训练和推理时出现的未见过节点，即分布外节点。它通过显式建模节点间交互，将异常值与正常值分离，从而在异常检测和内部分布分类上取得更好或相当的效果。这提示我们，节点级 OOD 问题需要不同于图级的方法，注意力机制可用于区分不同节点的影响。
数据增强与不变性学习的结合
OOD-GMixup 通过混合样本在度量空间中调控训练分布，消除杂乱相关并生成虚拟样本，以控制分布偏差。MARIO 则结合信息瓶颈和不变性原则，提升无监督图对比学习的异分布泛化性。两者都表明，数据增强和不变性学习是应对分布偏移的有效策略，且能兼顾内分布性能。
泛化理论边界与不确定性估计
文章还涉及图神经网络泛化的理论分析，建立了高概率边界并探讨其对泛化差距和梯度的影响。另一项工作基于不变性学习和风险最小化，不仅预测图结构数据的越域通用性，还估计预测不确定性。这些研究为理解 GNN 为何在分布外失效提供了理论工具，并提醒实践者关注预测的可靠性。
Q&A
图神经网络在分布外泛化方面面临哪些主要挑战？
图神经网络在分布外泛化中主要面临训练和测试数据之间的分布偏移问题，包括训练和推理期间出现未在训练集中出现的节点（OOD节点），以及由于选择偏差导致的分布差异。这些偏移会导致模型在新图数据上性能下降。
StableGNN是如何提升图神经网络泛化能力的？
StableGNN是一个基于因果关系的图神经网络框架，它从图数据中提取高级表示，并利用因果推断的区分能力帮助模型消除虚假相关性，从而提升泛化能力，并具有良好的有效性、灵活性和解释性。
OOD-GNN采用了什么技术来应对分布外图数据？
OOD-GNN通过使用基于随机傅里叶特征的非线性图表示装饰方法，消除图表示中相关和不相关部分之间的统计依赖关系，从而实现对训练图数据分布以外的新颖测试图数据的良好性能。
OODGAT模型主要解决什么问题？
OODGAT主要解决图中存在的out-of-distribution (OOD)节点问题，即在训练和推理期间出现未在训练集中出现的节点。它通过显式地模型化节点之间的交互，将异常值与正常值分离开来，从而优于现有的异常值检测方法并在内部分布分类方面更好或与之媲美。
OOD-GMixup方法如何提升图分类的泛化性能？
OOD-GMixup方法通过联合调控度量空间中的训练分布，消除杂乱相关并生成虚拟样本，来度量、控制分布偏差，从而提升图分类任务在分布外数据上的泛化性能。实验表明，该方法在多个真实世界图分类数据集上优于现有方法。
MARIO方案在图对比学习的异分布推广性方面有什么贡献？
MARIO是一个不受模型限制的方案，用于改善无监督图对比学习方法的异分布推广性。它引入了信息瓶颈原则和不变性原则，在广泛实验中表现出在异分布测试集上具有最先进性能，同时在内分布测试集上维持了与现有方法相当的性能。
