Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning

要約

グラフ学習は極めて重要な役割を果たしており、グラフ構造データによって表される複雑なデータ関係をモデル化する際の有効性により、ソーシャル ネットワーク分析からレコメンデーション システムに至るまで、さまざまなアプリケーション シナリオで大きな注目を集めています。
実際には、現実世界のグラフ データは通常、時間の経過とともにノード属性やエッジ構造が変化するダイナミクスを示し、深刻なグラフ データ分布シフトの問題を引き起こします。
この問題は、分布シフトの多様かつ複雑な性質によってさらに悪化し、一般化および適応能力が低下するとグラフ学習手法のパフォーマンスに大きな影響を与える可能性があり、その有効性に大きな課題をもたらします。
この調査では、グラフ学習のコンテキスト内での分布の変化に対処する最新のアプローチ、戦略、洞察の包括的なレビューと概要を提供します。
具体的には、推論段階での分布の可観測性とトレーニング段階での十分な監視情報の利用可能性に応じて、既存のグラフ学習手法を、グラフ領域適応学習、グラフ分布外学習、およびグラフ領域適応学習などのいくつかの重要なシナリオに分類します。
グラフの継続学習。
シナリオごとに詳細な分類が提案され、分布シフト グラフ学習における既存の進歩についての具体的な説明と議論が行われます。
さらに、この分野の現状を系統的に分析しながら、分布シフト下でのグラフ学習の潜在的な応用と将来の方向性について議論します。
この調査は、グラフ分布の変化に対処する際の効果的なグラフ学習アルゴリズムの開発に対する一般的な指針を提供し、この分野での将来の研究と進歩を刺激することを目的としています。

要約(オリジナル)

Graph learning plays a pivotal role and has gained significant attention in various application scenarios, from social network analysis to recommendation systems, for its effectiveness in modeling complex data relations represented by graph structural data. In reality, the real-world graph data typically show dynamics over time, with changing node attributes and edge structure, leading to the severe graph data distribution shift issue. This issue is compounded by the diverse and complex nature of distribution shifts, which can significantly impact the performance of graph learning methods in degraded generalization and adaptation capabilities, posing a substantial challenge to their effectiveness. In this survey, we provide a comprehensive review and summary of the latest approaches, strategies, and insights that address distribution shifts within the context of graph learning. Concretely, according to the observability of distributions in the inference stage and the availability of sufficient supervision information in the training stage, we categorize existing graph learning methods into several essential scenarios, including graph domain adaptation learning, graph out-of-distribution learning, and graph continual learning. For each scenario, a detailed taxonomy is proposed, with specific descriptions and discussions of existing progress made in distribution-shifted graph learning. Additionally, we discuss the potential applications and future directions for graph learning under distribution shifts with a systematic analysis of the current state in this field. The survey is positioned to provide general guidance for the development of effective graph learning algorithms in handling graph distribution shifts, and to stimulate future research and advancements in this area.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google