主要观点总结
本综述关注图机器学习中分布偏移的问题，提供关于分布偏移下深度图学习的最新且具有前瞻性的回顾。文章介绍了三个主要场景：图的OOD泛化、训练阶段的图OOD自适应，以及测试阶段的图OOD自适应，并讨论了各种分布偏移类型和现有模型分类。文章还总结了该研究领域常用的数据集，并指出了有前景的研究方向及其挑战。最后，提供了专知便捷查看的方式。
关键观点总结
关键观点1: 图机器学习在现实场景中面临分布偏移的挑战，需要应对图的OOD泛化、训练阶段的图OOD自适应和测试阶段的图OOD自适应等场景。
文章介绍了这些场景的定义和区别，以及每个场景下模型中心和数据中心方法的分类和关键技术。
关键观点2: 文章提出了新的分类法，将现有方法根据模型学习场景分为三类：图的OOD泛化、训练阶段的图OOD自适应和测试阶段的图OOD自适应，并详细介绍了每类方法的技术特点。
文章强调了分类法的重要性，以便更好地理解和应用这些方法。
关键观点3: 文章总结了该研究领域常用的数据集，并分析了它们与分布偏移挑战的相关性。
这为研究者提供了方便，有助于进一步探索和研究分布偏移下的图学习。
关键观点4: 文章指出了有前景的研究方向和相关挑战，包括如何进一步提高模型的泛化能力和适应性，如何更好地处理各种图分布偏移，以及如何在实际应用中验证和改进模型等。
这为未来的研究提供了指导，有助于推动图机器学习的进一步发展。
文章预览
摘要 ——图上的分布偏移，即训练和使用图机器学习模型时数据分布之间的差异，在现实场景中普遍存在且常常不可避免。这些分布偏移可能会严重削弱模型性能，给可靠的图机器学习带来重大挑战。因此，针对分布偏移下的图机器学习研究激增，旨在训练模型在分布外（OOD）测试数据上实现令人满意的表现。 在本综述中，我们提供了关于分布偏移下深度图学习的最新且具有前瞻性的回顾。具体而言，我们涵盖了三个主要场景：图的OOD泛化、训练阶段的图OOD自适应，以及测试阶段的图OOD自适应 。我们首先对问题进行正式表述，并讨论可能影响图学习的各种分布偏移类型，如协变量偏移和概念偏移。为便于理解相关文献，我们基于提出的分类法系统地对现有模型进行分类，并研究其背后的技术方法。此外，我们还总结了该研究领域中常用的数据集
………………………………
