结构与个体信息瓶颈图网络

提升分布外泛化

该图神经网络通过个体与结构级信息瓶颈，同时去除虚假特征并利用图间结构关系，在分布偏移下学习更鲁棒的图表示。

杨灵 · Jiayi, Zheng · Wang, Heyuan · Liu, Zhongyi · Zhilin, Huang · 洪申达 · Zhang, Wentao · 崔斌

IEEE Transactions on Knowledge and Data Engineering 2023

技术优势

去掉虚假特征

I-GIB通过最小化输入图与嵌入之间的互信息，剔除与标签无关的信息，使模型不再依赖分布偏移下的虚假相关性。

利用结构关系

S-GIB利用批次内跨域的图-图、嵌入-嵌入、标签-标签相关性，在保持类关系的同时学习不变特征，从高阶视角提升泛化。

统一互补框架

I-GIB与S-GIB互补结合，同时从个体与结构层面去虚假、学不变，形成统一的IS-GIB框架，在多种任务中表现更优。

应用场景

• 图数据分布外泛化：在训练与测试分布不同的图数据上训练更鲁棒的模型。
• 药物分子性质预测：预测分子性质时抵抗不同骨架分布带来的虚假关联。
• 社交网络分析：跨平台社交网络分析中避免平台特有噪声影响。