解缠结图谱提示用于超出分布检测
机器学习
2026-04-01 v1
摘要
当测试数据和训练数据来自不同分布时，深度神经网络 (DNN) 将在实际应用中面临显著的安全风险。因此，能够在测试时识别超出分布 (OOD) 样本并警报系统的 OOD 检测技术迫切需要。现有的图谱 OOD 检测方法通常从多个角度表征细粒度的 in-distribution (ID) 模式，并训练端到端的图神经网络 (GNN) 进行预测。然而，由于在训练期间没有 OOD 数据，缺乏明确的监督信号可能导致端到端编码器性能次优。为此我们遵循预训练+提示范式利用预训练 GNN 编码器，提出解缠结图谱提示 (Disentangled Graph Prompting, DGP)，通过 ID 图标签帮助捕获细粒度 ID 模式。具体而言，我们设计了两个提示生成器分别生成类别特定和类别无关的提示图，通过修改输入图的边权来实现。我们还设计了several有效的损失来训练提示生成器并防止平凡解。我们在十个数据集上进行大量实验，表明我们提出的 DGP 在超出分布检测中具有优势，相比最佳图谱 OOD 检测基线实现了约 3.63% 的相对 AUC 提升。消融研究和超参数实验进一步显示了 DGP 的有效性。代码已公开于 https://github.com/BUPT-GAMMA/DGP。
引用
@article{arxiv.2603.29644,
title = {Disentangled Graph Prompting for Out-Of-Distribution Detection},
author = {Cheng Yang and Yu Hao and Qi Zhang and Chuan Shi},
journal= {arXiv preprint arXiv:2603.29644},
year = {2026}
}
备注
Accepted for publication in IEEE Transactions on Knowledge and Data Engineering (TKDE)