图分布外泛化
通过因果感知课程与扩散去噪，学习不变因果表征，显著提升图神经网络在分布偏移下的鲁棒性。
Jiahao, Liang · Chen, Wuxing · 余志文 · 张通 · Philip Chen, Chun Lung Philip · Yang, Kaixiang
Information Fusion 2026
因果复杂度课程衡量器对边的因果重要性进行排序，引导模型优先学习关键因果结构，避免虚假关联。
自步掩码调度器渐进地应用因果引导的扩散，通过逐步去噪捕获数据分布，增强泛化能力。
因果感知扩散掩码自编码器将因果重要性融入编码过程，并在逐步去噪中施加因果正则化，学习不变表征。
在图OOD基准上的大量实验显示，本方法相比现有方法有显著性能提升，且消融实验证实因果引导课程与扩散过程优于传统预训练方法。