本文综述了图形领域中的越域泛化（OOD）问题，分类现有方法并探讨其在图神经网络中的应用。研究提出了一种基于因果模型的新框架，以提高图结构数据的泛化性能，解决分布偏移带来的挑战。通过因果推断，提升了模型在不同分布迁移下的准确率，并展望未来研究方向。

该文综述了提升模型泛化能力的方法，包括基于概率充分必要性（PNS）、不变与变体模式共混、因果启发的图不变学习（CIGA）、标签不变增强（LiSA）、超域泛化框架IRSS、图层次异常检测SGOOD、非参数异常检测、因果图神经网络StableGNN及模块化风险最小化，以应对分布偏移与越域泛化问题。