基于有界与均一能量的图结构离散分布检测
机器学习
2025-04-21 v1 人工智能
摘要
鉴于图在实际应用中所扮演的关键作用及其高安全性要求,提高图神经网络(GNNs)检测离散分布(ODD)数据能力是迫切的研究问题。近期工作GNNSAFE提出了一种基于负能量得分聚合的框架,显著提高了GNNs检测节点级ODD数据的性能。然而,本研究发现得分在节点之间聚合时因负能量得分的不可限定性以及logit位移而易受极端值的影响,严重限制了GNNs检测节点级ODD数据准确性。本文提出NODESAFE:通过添加两个优化项来减少节点产生极端得分的过程,使负能量得分具有界限并缓解logit位移。实验结果表明,我们的ethods显著提升了GNNs检测ODD数据的能力,例如在检测由结构操纵引起的ODD数据时,在无(有)ODD数据暴露情景下的FPR95指标(越小越好)分别比当前最佳方法降低了28.4%(22.7%)。
引用
@article{arxiv.2504.13429,
title = {Bounded and Uniform Energy-based Out-of-distribution Detection for Graphs},
author = {Shenzhi Yang and Bin Liang and An Liu and Lin Gui and Xingkai Yao and Xiaofang Zhang},
journal= {arXiv preprint arXiv:2504.13429},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2302.02914 by other authors