基于结构的材料属性预测方法对比研究
内容提要
该文综述图数据分布外（OOD）问题研究，涵盖多种方法：OODGAT分离异常节点；理论证明GNN可做跨域链接预测；OOD-GNN用随机傅里叶特征去除统计依赖；将化学动力学OOD预测分为结构、条件、机制三级并建立基准；提出GNNSafe能量检测器、StableGNN因果框架、OOD-GMixup调控分布；用非欧线性外推实现图OOD泛化；评估逆合成模型OOD性能并提出改进技术；GOOD-D以对比学习无监督检测OOD图。
延伸解读
OOD 问题在图学习中的多层面表现
文章汇总的研究显示，图上的分布外问题并非单一现象：既有训练中未出现的异常节点（OODGAT），也有图规模变化下的跨域链接预测，还有化学动力学中结构、条件、机制三个层级的分布偏移。这意味着实际应用中需先判断 OOD 来源，再选择对应方法，而非期待一个通用方案。
从检测到泛化的方法分工
文中方法可大致分为两类：一类侧重识别 OOD，如 GNNSafe 用能量函数做判别、GOOD-D 以对比学习无监督检测；另一类侧重提升泛化，如 OOD-GNN 用随机傅里叶特征去除统计依赖、StableGNN 借因果推断消除虚假相关。读者应注意，检测方法解决“发现异常”，泛化方法解决“适应偏移”，二者目标不同。
基准与评估仍是推进关键
多个工作把建立基准作为核心贡献：化学动力学 OOD 预测构建了分级数据集，逆合成研究建立两组基准并系统比较模型在分布转移下的性能，GOOD-D 也建立了综合基准。这提示该领域仍处于方法快速涌现、评估标准逐步统一的阶段，单一数据集上的领先结果需谨慎看待。
现实部署中的性能落差值得警惕
文章指出，逆合成预测模型在标准基准上进展稳定，但应用于非分布分子或反应时性能往往显著下降；所提模型无关技术初步实验平均提升 4.6%。这提醒读者，实验室指标与真实场景表现可能存在明显差距，关注 OOD 泛化能力比只看同分布精度更有实际意义。
Q&A
图神经网络中OOD节点检测有哪些代表性方法？
OODGAT通过显式建模节点间交互分离异常节点；GNNSafe是基于能量函数的OOD鉴别器；GOOD-D利用对比学习进行无监督检测。
OOD-GNN如何实现图数据分布外泛化？
OOD-GNN使用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，从而对训练分布外的新测试图数据实现良好性能。
化学动力学OOD预测分为哪几个级别？
分为结构、条件和机制三个级别，并建立了全面数据集评估OOD设置下的ML方法。
StableGNN框架的核心思想是什么？
StableGNN是基于因果关系的图神经网络框架，从图数据中提取高级表示，利用因果推断的区分能力帮助模型消除虚假相关性，具有有效性、灵活性和解释性。
逆合成预测模型在OOD场景下性能如何提升？
研究建立两组基准数据集系统比较先进逆合成模型在分布转移下的性能，并提出两种模型无关技术，初步实验显示平均性能提高4.6%。
GOOD-D如何实现无监督OOD图检测？
GOOD-D采用基于对比学习的框架，使用层级对比学习捕捉潜在ID模式，无需ground truth标签即可准确检测OOD图，并建立了综合基准。
