GLIP-OOD：基于图基座模型的零样图 OOD 检测
机器学习
2025-05-20 v2
摘要
离群检测（OOD）对于确保机器学习系统在动态开放环境中的安全和可靠性至关重要。在视觉和文本领域，零样本 OOD 检测——即无需在分布内（ID）数据上训练——通过使用大规模预训练模型（如视觉语言模型（VLM）和大语言模型（LLM））取得了显著进展。然而，图结构数据的零样本 OOD 检测仍基本未被探索，主要due to复杂的关系结构和缺乏面向图数据的强大大规模预训练模型。在本工作中，我们首次通过利用图基座模型（GFM）来实现零样本图 OOD 检测。我们的实验表明，仅凭对ID和OOD类别的类别标签名称，GFM即可有效执行 OOD 检测——常常超越依赖大量标记节点数据的现有“监督”OOD 检测方法。我们进一步针对实际场景中OOD标签名称不可用的情形，引入GLIP-OOD框架，该框架使用LLM从未标记数据生成语义丰富的伪OOD标签。这些生成的OOD标签允许GFM更好地分离ID和OOD类别，从而实现更精确的OOD检测——所有操作均无需任何标记节点（仅需ID标签名称）。到目前为止，这是首个在完全零样本设置下实现节点级图 OOD 检测的方法，该方法在四个文本标注图数据集上达到了与最先进监督方法相当的性能。
引用
@article{arxiv.2504.21186,
title = {GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model},
author = {Haoyan Xu and Zhengtao Yao and Xuzhi Zhang and Ziyi Wang and Langzhou He and Yushun Dong and Philip S. Yu and Mengyuan Li and Yue Zhao},
journal= {arXiv preprint arXiv:2504.21186},
year = {2025}
}