从细微到显著：基于提示的自我改进测试时图结构离散分布检测
机器学习
2026-02-20 v1 人工智能
摘要
图结构离散分布（OOD）检测旨在识别测试图是否偏离训练期间观察到的图的分布，这对于确保在开放世界场景中部署时图神经网络（GNN）的可靠性至关重要。近期在图结构 OOD 检测方面的进展主要聚焦于测试时训练技术，这些技术无需访问潜在监督信息（如训练数据）即可实现 OOD 检测。然而，大多数方法采用单次推理范式，无法不断纠正错误预测以放大 OOD 信号。为此，我们提出了一种自我改进图结构离散分布检测器（SIGOOD），它是一种无监督框架，集成了持续自学习与测试时训练，以实现有效的图结构 OOD 检测。具体而言，SIGOOD 生成一个提示词，以构建增强提示词的图，从而放大潜在的 OOD 信号。为优化提示词，SIGOOD 引入能量偏好优化（EPO）损失函数，利用原始测试图与增强提示词图之间的能量变化。通过在自我改进循环中不断优化提示词，将其纳入检测模型进行迭代优化，最终得到的最优提示词增强图将用于 OOD 检测。在 21 个真实数据集上的全面评估确认了 SIGOOD 方法的有效性和优越性。代码地址为 https://github.com/Ee1s/SIGOOD。
引用
@article{arxiv.2602.17342,
title = {From Subtle to Significant: Prompt-Driven Self-Improving Optimization in Test-Time Graph OOD Detection},
author = {Luzhi Wang and Xuanshuo Fu and He Zhang and Chuang Liu and Xiaobao Wang and Hongbo Liu},
journal= {arXiv preprint arXiv:2602.17342},
year = {2026}
}
备注
9pages, 5 figures