具有不确定性感知能力的解耦动态图注意力网络，用于实现分布外数据的泛化

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Uncertainty-Aware Disentangled Dynamic Graph Attention Network for Out-of-Distribution Generalization

动态图神经网络在处理时空分布偏移时面临模式不确定性挑战。本文提出IB-D2GAT模型，通过信息瓶颈原理发现稳定不变与可变时空模式，结合分离注意力机制实现偏移补偿与不确定性抑制，并给出理论保证。

　　

摘要：

动态图神经网络（DyGNNs）在文献中被广泛研究，用于处理图中的结构和时间属性。一方面，现实世界中的动态图自然存在分布变化；另一方面，动态性可能会给图中的模式带来额外的不确定性。然而，现有的DyGNNs仅利用了分布变化下的标签变体模式，当训练数据和测试数据之间存在分布变化以及不确定的模式时，它们无法准确地进行预测。为了解决这个问题，本文提出通过发现和利用不变模式来处理动态图中的时空分布变化，同时考虑模式中的不确定性，这些不变模式包括在分布变化下预测能力稳定的结构和特征。尽管如此，我们仍面临以下关键挑战：i) 如何发现涉及时变拓扑结构和节点级特征的复杂不变和变体时空模式；ii) 如何利用不变和变体模式来处理动态图中的时空分布变化；iii> 如何在捕捉隐藏的不变性和方差的同时提供理论保证。为了解决这些挑战，我们提出了信息瓶颈引导的解耦动态图注意力网络（IB-DGAT2）。我们提出的IB-DGAT2模型能够通过信息瓶颈有效地处理动态图中的时空分布变化及不确定性，具体来说，我们提出了一个解耦的时空注意力网络来捕获不变和变体模式。接下来，在信息瓶颈原理的指导下，我们提出了基于分布的不变性优化...

显示更多

引言

动态图在现实世界的应用中广泛存在，包括金融网络[1]、[2]、社交网络[3]、[4]、交通网络[5]、[6]等。与静态图不同，动态图可以表示时间结构和特征模式，这些在现实中更为复杂但也很常见。动态图神经网络（DyGNNs）被提出用于处理动态图中携带的高度复杂的结构和时间信息，并在许多预测任务中取得了显著进展[7]、[8]。