SCARCE

SCARCE框架仅利用训练图的环境划分（来自元数据或无监督聚类）即可学习分布鲁棒的图表示，不需要类别标签。

SCARCE采用两阶段流程：第一阶段变分图自编码器（VGAE）通过图重建任务进行热启动；第二阶段引入对抗混淆机制。

在SCARCE第二阶段，判别器尝试从编码器输出的表示中区分环境，编码器则被训练来生成让判别器无法分辨环境的表示。

论文的理论分析表明环境混淆会收缩表示空间中与环境判别相关的方向，在正则化下游分类器下等价于对环境关联特征施加更强的方向性惩罚。

SCARCE实现了一种隐式的特征重加权：通过表示学习连续地降低对虚假相关性的依赖，同时不擦除信息。

在受控合成数据集和DrugOOD数据集上，SCARCE在无标签方法中取得了最先进的OOD泛化性能。

SCARCE在DrugOOD上不使用类别标签，仅利用环境划分进行训练，与无标签基线相比取得最优性能。

SCARCE的潜在局限包括环境划分的质量依赖：当自监督聚类效果不佳时，性能可能下降；此外，对抗训练的计算开销和稳定性也是实际部署需考虑的因素。

SCARCE的核心贡献在于将图OOD泛化从标签依赖中解放出来，为标签稀缺的图学习场景提供了可行路径。

SCARCE的理论联系揭示了对抗混淆与特征重加权之间的等价性，为理解无标签泛化提供了新视角。