人工智能学院郭凯同学的论文被CCF-A类会议KDD 2024会议接收。KDD，全称ACM SIGKDD Conference on Knowledge Discovery and Data Mining，是人工智能数据挖掘领域的国际顶级学术会议。该会议一年举办一次，由ACM的数据挖掘及知识发现专委会主办。

论文题目：Investigating Out-of-Distribution Generalization of GNNs: An Architecture Perspective

第一作者：郭凯

收录会议：KDD’2024

指导教师：常毅教授

论文概述：图神经网络（GNNs）在假设测试数据来自与训练数据相同分布的情况下表现出色。然而，在现实世界的场景中，这一假设可能并不总是成立。因此，越来越多的研究开始关注图数据背景下的分布外（OOD）问题。现有的大多数研究主要从两个模型无关的角度改进图的OOD泛化性能：数据驱动方法和策略驱动学习。然而，关于著名的GNN模型架构对图OOD泛化影响的研究相对较少，这与现有研究形成了互补。在这项工作中，我们首次从内在架构角度对图的OOD泛化进行了全面研究。通过大量实验，我们发现图自注意力机制和解耦架构都对图的OOD泛化有积极贡献。相反，我们观察到线性分类层往往会削弱图的OOD泛化能力。此外，我们提供了深入的理论见解和讨论以支持这些发现。这些见解使我们能够开发出一种新型GNN主干模型DGAT，旨在利用图自注意力机制和解耦架构的稳健特性。大量实验结果表明，我们的模型在图的OOD场景下表现出色，并在各种训练策略中展示了显著且持续的提升。