Out-of-Distribution Generalization
PulseAugur coverage of Out-of-Distribution Generalization — every cluster mentioning Out-of-Distribution Generalization across labs, papers, and developer communities, ranked by signal.
-
新框架利用双重学习提升图神经网络的OOD泛化能力
研究人员开发了两种新颖的框架：Co-Train 和 Dual-Space Retrieval，以增强图神经网络（GNNs）的分布外（OOD）泛化能力。这些方法利用了监督学习和自监督学习（SSL）表示的互补信号，以提高在图分布发生变化时的节点分类准确性。Co-Train 在训练期间整合这些表示，而 Dual-Space Retrieval 在推理时结合预测。跨各种 GNN 架构和 SSL 目标的实验表明，与纯粹的监督 OOD 基线相比，…
-
清华大学团队将主导IJCAI 2026关于OOD泛化的教程
清华大学王鑫教授领导的团队在即将举行的IJCAI 2026会议上获得了两个教程名额，主题分别为“超越图分布偏移”和“OOD泛化生成式AI”。此次双重入选凸显了分布外（OOD）泛化在生成式AI中的日益重要性，超越了传统的分布内（IID）拟合。教程将涵盖图大语言模型、动态适应、图网络中的因果关系以及多模态和基于扩散的模型在训练后策略以增强现实世界场景中的鲁棒性等高级主题。
-
清华大学团队将主导IJCAI 2026上关于OOD泛化的教程
清华大学王鑫教授领导的团队在即将举行的IJCAI 2026会议上获得了两个教程名额，这一难得的成就凸显了他们在生成式AI领域的重大贡献。他们的工作侧重于分布外（OOD）泛化，解决了在面对与训练集不同的现实世界数据时，使AI模型具有鲁棒性的关键挑战。教程将涵盖“超越图分布偏移”和“OOD泛化生成式AI”等高级主题，标志着该领域正从独立同分布（IID）拟合转向应对OOD挑战。
-
新研究将神经网络 OOD 泛化与特征工程联系起来
研究人员发现，深度神经网络之所以常常无法学习到能够泛化到分布外 (OOD) 数据的表示，是因为它们无法将特征学习与数据生成过程的可识别性分离开来。研究表明，特征图、标签图和模型类的选择决定了假设的数据生成过程，并控制着 OOD 泛化，仅表示形式的改变就会导致 OOD 任务的性能差异巨大。该论文提出，成功的 OOD 推断不仅需要正确的特征，还需要能够表达目标和训练数据的模型类，并且这些数据能够覆盖相关的表示空间。