基于证据光谱感知的动态图表外分布检测
机器学习
2025-06-16 v2 人工智能
摘要
最近，针对动态图的外分布（OOD）检测，旨在识别输入数据是否偏离训练集的内分布（ID），在安全敏感领域引起了广泛关注。当前的 OOD 检测范式主要聚焦于静态图，面临两个关键挑战：(1) 由于单点估计导致的高偏差和高方差，使得预测对数据中的随机性敏感；(2) 由于缺乏 OOD 训练数据，导致评分同质化，即模型仅学习 ID 特定模式，导致整体 OOD 评分偏低，ID 与 OOD 数据之间的评分间隙狭窄。为解决上述问题，我们首先通过证据深度学习（EDL）的视角探讨动态图的 OOD 检测。具体而言，我们提出了通过证据光谱感知对比学习实现的创新且有效的 OOD 检测器EviSEC。我们设计了一个证据神经网络，以后验 Dirichlet 分布重新定义输出，从而通过分布不确定性解释输入的随机性，这一点被单点估计所忽视。此外，光谱感知数据增强模块生成 OOD 近似值，以识别高 OOD 评分的模式，从而扩大 ID 与 OOD 数据之间的评分间隙并缓解评分同质化问题。在真实数据集上进行的大量实验表明，EviSEC有效地检测了动态图中的 OOD 样本。
引用
@article{arxiv.2506.07417,
title = {Evidential Spectrum-Aware Contrastive Learning for OOD Detection in Dynamic Graphs},
author = {Nan Sun and Xixun Lin and Zhiheng Zhou and Yanmin Shang and Zhenlin Cheng and Yanan Cao},
journal= {arXiv preprint arXiv:2506.07417},
year = {2025}
}
备注
Accepted by ECML-PKDD 2025