Awesome-list методов глубокого обучения на графах при смещении распределения

Смещение распределения в графовых данных — это расхождение в распределении данных между обучающим и тестовым наборами, оно может существенно снизить производительность модели машинного обучения.

Репозиторий на Github (https://github.com/kaize0409/awesome-graph-ood), в котором собрана коллекция работ по обучению на графах в условиях смещения данных вне распределения (Out-of-Distribution, OOD) в трех основных сценария:

обобщение графов OOD:

адаптация графов во время обучения OOD:

адаптация графов OOD во время тестирования.

Обобщение OOD предполагает, что целевые данные недоступны во время обучения модели, и фокусируется на повышении способности модели к обобщению, чтобы справляться с выборками из любых неизвестных доменов.

Адаптация во время обучения направлена на устранение расхождений в распределении между исходными и целевыми графовыми данными. Она служит для коррекции смещения наблюдений, переноса знаний между графами и смягчения негативных последствий аугментации данных.

Адаптация во время тестирования сосредоточена на настройке предварительно обученной модели на новые целевые данные, которые становятся доступными после начальной фазы обучения. Эта адаптация особенно важна в случаях, когда доступ к исходным данным ограничен.

В каждом сценарии рассматриваются модельно-ориентированные и ориентированные на данные подходы.

Для многих статей предоставлены ссылки на код, реализующий описанные методы.

Arxiv (https://arxiv.org/pdf/2410.19265)

GitHub (https://github.com/kaize0409/awesome-graph-ood)

Источник: github.com

Комментарии: