【成果】博士研究生于浩然在分布外泛化方面取得进展

  近日，公司控制科学与工程专业2024级博士研究生于浩然在分布外泛化领域取得进展，相关研究成果Joint Subgraph Independence for Graph Out-of-Distribution Generalization发表在《Pattern Recognition》。《Pattern Recognition》是人工智能领域的国际知名期刊，目前影响因子为7.6（SCI一区）。论文第一作者为于浩然，通讯作者为刘伟锋教授，BB贝博艾弗森为唯一署名单位和通讯单位，该研究得到国家自然科学基金面上项目、山东省自然科学基金面上项目、山东省重大基础研究项目、青岛市自然科学基金面上项目和BB贝博艾弗森研究生创新基金重点项目的资助支持。

图1 论文首页

大多数现有的图神经网络在分布变化下都会出现严重的性能下降。这一性能退化的根本原因在于模型倾向于使用特征和标签之间的虚假的相关性进行预测，这显著影响了模型在分布偏移场景下的性能。现有的图分布泛化研究大多只考虑子图与外部因素之间的独立性以直接消除不正确的关联，忽略了子图之间的虚假相关性。然而，子图之间的伪相关性仍然间接地在伪子图和标签之间产生不正确的关联。同时，它也会导致因果子图与环境之间的间接不正确关联，影响因果子图的准确选择。这些问题进一步影响了模型的泛化能力。为了解决上述问题，本文提出了一种联合子图独立方法，以联合消除子图之间的相关性以及与外部因素的相关性。具体来说，除了子图与外部因素的独立性外，本文通过学习一组样本权重，使伪子图和因果子图相互独立。联合子图独立通过消除子图之间的相关性，避免了间接的不正确关联，促进了子图结构的更准确识别。同时，子图结构的选择和与外部因素的独立性为子图之间的去相关提供了指导性的先验，避免了所有节点特征之间密集去相关造成的信息丢失和优化困难。本文在不同的数据集上进行了广泛的实验，实验结果证明了方法的有效性。

图2联合子图独立性策略

论文链接：https://doi.org/10.1016/j.patcog.2025.112551