机构名称：
¥ 1.0
通过优化模型的最坏情况性能，基于分布的强大优化（DRO）图形网络方法改善了建议系统的脱离（OOD）概括。但是，这些研究未能考虑嘈杂样本在训练数据中的影响，这导致概括能力降低和准确性降低。通过实验和理论分析，本文表明，当前基于DRO的图形建议方法为噪声分布分配了更大的权重，从而导致模型参数学习由其主导。当模型过于关注训练数据中的噪声样本时，它可能会学习无关紧要或含义的较小功能，这些功能无法推广到OOD数据。为了应对这一挑战，我们为O OD推荐（DRGO）设计了D iStribution Rubust G Raph模型。具体来说，我们的方法首先采用简单有效的扩散范式来减轻潜在空间中的嘈杂效应。此外，在DRO目标函数中引入了熵常规项，以避免在最坏情况下分布中的极端样品权重。最后，我们提供了DRGO的概括误差结合的理论证明，以及对我们的方法如何对嘈杂的样本效应的理论分析，这有助于从理论角度更好地理解所提出的框架。我们在四个数据集上进行了广泛的实验，以评估我们的框架的有效性，以针对三个典型的分布变化进行评估，结果证明了其在独立和相同分布分布（IID）和OOD中的优势。我们的代码可在https://anonymon.4open.science/r/drgo-fed2上找到。
分布稳健图形的图形
主要关键词
相关文件推荐
