GDDA：基于分数扩散模型的协变量偏移下图语义OOD检测
机器学习
2024-10-24 v1
摘要
分布外（OOD）检测对图神经网络（GNN）构成了重大挑战，尤其是在存在各种分布偏移的开放世界场景中。现有的大多数图OOD检测方法主要关注识别由语义偏移（数据类别变化）或协变量偏移（数据特征变化）引起的测试数据域中的实例，而忽略了两种分布偏移同时发生的情况。在这项工作中，我们同时处理了两种类型的偏移，并为图上的OOD检测引入了一个新的挑战：协变量偏移下的图级语义OOD检测。在此场景中，训练域和测试域之间的差异源于协变量偏移和语义偏移的同时存在，其中只有与未知类别相关的图被识别为OOD样本（OODs）。为应对这一挑战，我们提出了一种名为图解耦扩散增强（GDDA）的新型两阶段框架。第一阶段专注于将图表示解耦为域不变语义因子和域特定风格因子。第二阶段，我们引入了一种新颖的分布偏移控制分数生成扩散模型，该模型生成训练语义和风格空间之外的潜在因子。此外，辅助的伪分布内（InD）和伪OOD图表示被用于增强基于能量的语义OOD检测器的有效性。在三个基准数据集上的大量实证研究表明，我们的方法优于最先进的基线方法。
引用
@article{arxiv.2410.17526,
title = {GDDA: Semantic OOD Detection on Graphs under Covariate Shift via Score-Based Diffusion Models},
author = {Zhixia He and Chen Zhao and Minglai Shao and Yujie Lin and Dong Li and Qin Tian},
journal= {arXiv preprint arXiv:2410.17526},
year = {2024}
}
备注
4 pages, 6 figures