人工智能学院2023级硕士研究生沈旭关于图分布外泛化的研究成果，已被人工智能领域国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI，IF=20.5）接收。TPAMI作为人工智能领域最具影响力的期刊之一，在全球学术界享有盛誉。
论文题目Raising the bar in graph ood generalization: Invariant learning beyond explicit environment modeling
论文一作：沈旭(2023级硕士研究生)
指导教师：王鑫副教授
收录期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence
期刊类别：吉大C刊，CCF-A
论文概述：在现实场景中，图数据往往来自不同环境并持续发生变化，传统图学习模型容易受到分布偏移影响，难以保持稳定的泛化能力。为解决这一问题，我们提出了多原型超球面不变学习方法MPHIL，旨在学习更加稳定、可区分的图不变表示。MPHIL 将图表示映射到超球面空间，并引入多个类别原型作为中间变量，使模型无需显式建模复杂环境，也能更好地区分不同类别的关键不变结构，从而缓解类别边界模糊带来的误分类问题。在13个图分布外泛化基准数据集上的实验结果表明，MPHIL 相比现有方法取得了更优性能，展现出在复杂分布变化场景下提升图学习模型可靠性与泛化能力的潜力。
