2025年的IJCAI（International Joint Conference on Artificial Intelligence） 于8月16日至8月22日在加拿大蒙特利尔召开。IJCAI是中国计算机学会推荐的A类国际学术会议，是人工智能领域最具权威性和影响力的学术会议之一。本次IJCAI 2025一共有5404篇投稿，录用1042篇，录用率19.3%。
来自清华大学的研究团队带来《分布偏移下的图机器学习：适配性、泛化性与图大模型》教程，值得关注！
概述
图机器学习近年来在学术界和工业界快速发展，广泛应用于社交网络、推荐系统、生物信息、药物研发等领域，展现出巨大潜力。然而，大部分研究基于同分布假设，即训练与测试数据来自相同分布。但在真实世界中，这一假设往往难以成立，社交网络结构不断演化，用户行为模式持续变化，生物医学数据也存在人群差异。此时，模型性能在分布外场景（Out-of-Distribution, OOD）会显著下降。如何让图模型在OOD场景中依然保持稳定、可靠的表现，已成为学术界和产业界共同关注的前沿问题。本教程系统总结该领域的最新进展，围绕以下三个方向展开：
·图模型适配（Graph OOD Adaptation）：从模型、优化和数据三个维度，探索如何快速适配新分布，保持性能稳定。
·图模型泛化（Graph OOD Generalization）：通过因果建模、解耦建模、不变性学习和数据增强，提升跨分布的稳定性与泛化性。
·图大模型（Graph LLMs & Graph Foundation Models）：梳理 LLMs 与图学习的结合方式，包括编码、对齐与预测三大视角，以及 GNN 驱动与 LLM 驱动两类基础模型路线。
教程大纲
本教程时长1小时45分钟，共分五部分：
1.研究动机与基础概念（15分钟）
o分布偏移的定义、挑战与研究价值
2.图模型适配（Graph OOD Adaptation）（25分钟）
o模型层面：自动化适配，利用自动化方法设计能适应分布变化的图模型结构。
o优化层面：分布对齐训练，通过优化策略缩小训练与测试分布差异。
o数据层面：图数据增强，在训练阶段引入更多潜在分布，提高模型适应性。
3.图模型泛化（Graph OOD Generalization）（25分钟）
o模型层面：因果建模捕捉跨环境的稳定关系，解耦建模分离稳定与变化因素。
o优化层面：不变性学习，通过约束确保表征在多分布下保持一致。
o数据层面：数据增强，提升模型在多样分布下的泛化能力。
4.图与大模型结合（Graph LLMs & Graph Foundation Models）（25分钟）
oGraph LLMs：LLM 可作为编码器、对齐器或预测器，分别承担表示学习、语义对齐和任务预测功能。
oGraph Foundation Models：分为 GNN 驱动与 LLM 驱动两条路线。前者遵循“Pretrain-then-Adapt”范式，先在大规模图数据上预训练，再迁移到下游任务；后者遵循“Tokenization-then-Post-training”范式，将图结构转化为序列，再通过大模型输出。
5.未来方向与讨论（15
分钟）
o更复杂与动态场景下的评估挑战
o图学习与 LLMs 的深度融合趋势
o面向工业应用的可扩展与可信赖方案
目标受众与前提条件
本教程既展示最新进展与前沿研究，也对入门听众友好，适合：
·图机器学习和数据挖掘领域的研究人员与学生；
·在实际应用中面临分布偏移挑战的产业从业者；
·对 LLM 与图学习结合感兴趣的学者与工程师。
专知便捷查看，访问下面网址或点击最底端“阅读原文”
https://www.zhuanzhi.ai/vip/76ecd9fc03af428e1573fc3254db42d9
点击“阅读原文”，查看下载本文
