IENE: Identificação e Extrapolação do Ambiente de Nó para Generalização Fora da Distribuição em Grafo

Devido à degradação de desempenho das redes neurais de grafos (GNNs) sob mudanças de distribuição, o trabalho sobre generalização fora da distribuição (OOD) em grafos recebeu ampla atenção. Uma perspectiva nova envolve distinguir potenciais vieses confundidores de diferentes ambientes através da identificação ambiental, permitindo que o modelo escape de correlações sensíveis ao ambiente e mantenha desempenho estável sob mudanças de distribuição. No entanto, nos dados de grafos, fatores confundidores não apenas afetam o processo de geração das características dos nós, mas também influenciam a interação complexa entre os nós. Observamos que negligenciar qualquer um desses aspectos levará a uma diminuição no desempenho. Neste artigo, propomos o IENE, um método de generalização OOD em grafos baseado em identificação ambiental a nível de nó e técnicas de extrapolação. Isso fortalece a capacidade do modelo de extrair invariância de duas granularidades simultaneamente, levando a uma melhoria na generalização. Especificamente, para identificar invariância nas características, utilizamos a estrutura de gargalo de informação desencadeada para alcançar promoção mútua entre a estimativa ambiental a nível de nó e o aprendizado de características invariantes. Além disso, extrapolamos ambientes topológicos através de técnicas de aumento de grafos para identificar invariância estrutural. Implementamos o método conceitual com algoritmos específicos e fornecemos análise teórica e provas para nossa abordagem. Avaliações experimentais extensivas em dois conjuntos de dados sintéticos e quatro conjuntos de dados OOD do mundo real validam a superioridade do IENE, que supera técnicas existentes e fornece uma estrutura flexível para aprimorar a generalização das GNNs.