拓扑与文本同等重要：重新审视基于LLM的文本属性图分布外检测
机器学习
2026-02-13 v1
摘要
文本属性图(TAG)将节点与文本属性和图结构关联起来，使GNN能够联合建模语义和结构信息。虽然GNN在分布内(ID)数据上有效，但在现实场景中，它们常常会遇到具有未见文本或结构模式的分布外(OOD)节点，导致在缺乏可靠OOD检测的情况下产生过度自信和错误的预测。早期方法从拓扑驱动的角度解决这个问题，利用邻域结构来减轻节点级别的检测偏差。然而，这些方法通常将节点文本编码为浅层向量特征，未能充分利用丰富的语义信息。相比之下，最近的基于LLM的方法通过利用文本知识生成伪OOD先验，但它们存在几个局限性：(1) 合成的OOD先验中存在可靠性-信息量不平衡，因为生成的OOD暴露要么偏离真实的OOD语义，要么引入不可忽略的ID噪声，所有这些对检测性能的提升有限；(2) 依赖专门的架构，这阻止了整合先前工作中经过实证验证的广泛有效的拓扑级见解。为此，我们提出了LG-Plug，一种用于TAG OOD检测任务的LLM引导的即插即用策略。LG-Plug对齐拓扑和文本表示以生成细粒度的节点嵌入，然后通过聚类迭代的LLM提示生成共识驱动的OOD暴露。此外，它利用轻量级的簇内码本和启发式采样来减少LLM查询的时间成本。由此产生的OOD暴露作为一个正则化项来分离ID和OOD节点，从而能够与现有的检测器无缝集成。
引用
@article{arxiv.2602.11641,
title = {Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs},
author = {Yinlin Zhu and Di Wu and Xu Wang and Guocong Quan and Miao Hu},
journal= {arXiv preprint arXiv:2602.11641},
year = {2026}
}
备注
Under Review