基于解耦图能量模型的异质性图节点外分布检测

尽管在图像上进行外分布检测 (OOD) 方面投入了大量研究精力，但在图学习中进行节点级 OOD 检测仍属未充分探索的领域。图节点之间的相互依赖阻碍了对现有图像方法的简单迁移，这些方法假设输入是独立同分布抽样的，因为图特有的独特特征和挑战未被考虑，例如异质性问题。最近的 GNNSafe 方法考虑了节点依赖，采用能量-based 检测方法适用于图领域，并取得了最新性能，但存在两个严重问题：1) 它从分类逻辑得出节点能量，未针对数据分布建模进行针对性训练，导致识别 OOD 数据效果有限；2) 高度依赖能量传播，这种基于亲缘关系假设的做法会在异质性图上造成显著性能下降，因为此时节点倾向于与其邻居具有不同的分布。为解决上述问题，我们建议通过最大似然估计 (MLE) 训练能量基模型 (EBM)，以增强数据分布建模，并消除能量传播以克服异质性问题。然而，通过 MLE 训练 EBM 需要对节点特征和节点邻居进行 MCMC 抽样，这在节点相互依赖和离散图拓扑结构下具有挑战性。为克服抽样难题，我们引入 DeGEM，通过将学习过程分为两个部分：一个利用拓扑信息生成节点表示的图编码器，以及在潜空间中运行的能量头部。广泛实验表明，DeGEM 在无需 OOD 数据曝光的情况下，超越了以往的最新方法，在亲缘图上实现 AUROC 提升平均达 6.71%，在异质性图上提升 20.29%，甚至超过了使用 OOD 曝光训练的方法。我们的代码已公开：https://github.com/draym28/DeGEM。