UniGOOD：统一图分布外泛化与检测框架（南开×北航，WWW 2026）¶

Ch01.1607 UniGOOD：统一图分布外泛化与检测框架（南开×北航，WWW 2026）¶

📊 Level ⭐⭐⭐⭐ | 5.8KB | entities/www-2026-unigood-unified-graph-ood-generalization-detection.md

UniGOOD：统一图分布外泛化与检测框架（南开×北航，WWW 2026）¶

一句话：把图分布外泛化（应对协变量偏移）与分布外检测（识别语义偏移）从两条割裂的路线统一进单一优化体系，通过不变子图分布生成器、跨不变子图谱对比学习、三总体不变正则化器三模块协同，在一套框架内同时支撑泛化与检测。

摘要¶

图表示学习在分布偏移下遭遇重大挑战，现实图数据往往同时混杂协变量偏移（Covariate Shift，输入分布改变）与语义偏移（Semantic Shift，类别关联改变）。现有方法将分布外泛化与分布外检测割裂处理，难以应对多层面分布偏移。南开大学、北京航空航天大学与中信银行联合团队提出 UniGOOD，首次将二者纳入统一优化体系。

核心要点¶

统一框架：创新性地将不变子图分布生成器、跨不变子图谱对比学习模块与三总体不变正则化器有机融合，在一个框架内协同解决图分布外泛化与检测问题
理论洞察：理论上系统证明 UniGOOD 能为图分布外泛化与检测提供可证明的保障
效果优异：大量实验验证优越性，在图分布外泛化与检测多个基准显著提升

深度分析¶

1. 问题本质：两条路线的割裂¶

分布外泛化应对协变量偏移，在未知环境保持稳定；分布外检测识别语义偏移，筛出分布外样本。但现实图数据两种偏移并存，现有方法割裂处理已成为图学习走向实用的关键瓶颈。

2. 方法：三个协同模块¶

不变子图分布生成器：采用变分图自编码器架构对不变子图的条件分布建模，双路 GNN 编码均值与方差参数化高斯分布，采样后经内积与阈值筛选分离不变与变化子图。以 KL 散度作为唯一优化项（因真实不变子图未知，重构损失失效），权重控制采样随机性——越大子图越多样，归零退化为确定性自编码器。该设计为无标签数据注入结构先验，有效抑制过拟合
跨不变子图谱对比学习：构造"总体图"（节点为全部样本，边权重表示不变子图间语义相似度，同类增强、异类削弱），对归一化邻接矩阵做谱分解取特征向量作为表示，并用 GNN 参数化。谱分解的低秩逼近目标可转化为结构清晰的对比学习损失：正样本聚集支撑协变量偏移下的泛化，负样本分离增强语义偏移的检测敏锐度
三总体不变正则化器：在不变子图关于标签的总体图之外，补充变化子图关于标签、不变子图关于环境、变化子图关于环境三张总体图，推导三总体对比学习损失。理论上可证明：存在最优不变子图生成器及其互补的变化子图生成器，当且仅当四项目标被同时最小化

推理时以不变表示做标签预测实现泛化，以 KNN 距离做无参分布外检测。

3. 实验结果¶

GD-Tox21-SIDER 数据集上分布外泛化 AUROC 相对提升 9.53%
GD-HIV-ZINC 数据集上分布外检测 FPR 相对降低 9.21%
消融：移除 KL 损失后性能降至次优（退化标准图自编码器）；三总体正则化器任意单损失分量消融均导致性能下降
对超参数不敏感，较宽取值范围内均优于最优基线

4. 团队与资源¶

第一作者廖添胤（南开大学博士生，研究方向图分布外泛化与先验数据拟合网络），通讯作者张子威（北京航空航天大学副教授，图机器学习与大模型结合）。主要完成单位南开大学、北京航空航天大学、中信银行。论文：Unifying Graph Out-of-Distribution Generalization and Detection through Spectral Contrastive Invariant Learning（WWW 2026，ACM DL）。代码：github.com/Lowy999/UniGOOD

关联实体¶

原文存档¶

→ 原文存档