distribution shifts 和图回归任务
分布偏移（distribution shifts） 是指模型在训练和测试过程中所看到的数据分布不一致的现象。简单来说，模型在训练时见到的数据跟它在实际应用中遇到的数据有差异，导致模型性能下降。
形象解释：
想象一下，你训练了一个模型来识别水果。训练时你用的全是夏季水果，比如西瓜、桃子、草莓等。然而，当冬天到来，你给模型展示苹果和橙子时，它的表现可能不如预期。这就是分布偏移——模型训练时所见的水果分布跟测试时不一样（夏天的水果 vs 冬天的水果），导致模型无法很好地泛化。
图回归任务的例子：
图回归任务类似于传统的回归任务，区别在于它处理的是图结构数据。图回归任务的目标是根据图的结构和节点特征，预测一个连续的数值。
示例：
假设你在做药物研发，想预测某个化合物（分子）的药效。每个化合物可以表示成一个图，节点是原子，边是原子之间的化学键。你的任务是根据这些图结构预测某种药物对疾病的疗效（例如，药物对癌细胞的抑制率）。这里的输出是一个连续值，因此属于图回归任务。
在这个场景下，如果模型训练时看到的分子结构（图）和测试时的新分子结构有很大差异（例如，分子骨架不同），这会导致分布偏移，影响模型的预测效果。