G-OSR：图开集识别的综合基准
机器学习
2025-03-04 v1
摘要
图神经网络（GNN）在机器学习中取得了显著成功，在社交网络、生物信息学、知识图谱等领域有广泛应用。大多数研究假设理想的闭集环境。然而，在真实的开集环境中，图学习模型由于未见类别而面临鲁棒性和可靠性的挑战。这凸显了图开集识别（GOSR）方法的必要性，以确保 GNN 在实际场景中的有效应用。GOSR 研究尚处于早期阶段，缺乏涵盖多样化任务和数据集的全面基准来评估方法。此外，传统方法、图分布外检测（GOODD）、GOSR 和图异常检测（GAD）大多各自发展，对它们之间的相互联系或应用于 GOSR 的潜力探索甚少。为填补这些空白，我们引入了 G-OSR，一个用于在节点和图两个层面评估 GOSR 方法的全面基准，使用来自多个领域的数据集，以确保对传统方法、GOODD、GOSR 和 GAD 方法的有效性和效率进行公平、标准化的比较。结果为当前 GOSR 方法的泛化能力和局限性提供了关键见解，并通过对多样化方法的系统分析，为推进该领域的研究提供了宝贵的资源。
关键词
引用
@article{arxiv.2503.00476,
title = {G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition},
author = {Yicong Dong and Rundong He and Guangyao Chen and Wentao Zhang and Zhongyi Han and Jieming Shi and Yilong Yin},
journal= {arXiv preprint arXiv:2503.00476},
year = {2025}
}
备注
10 pages,2 figures