GOLD：基于隐式对抗潜生成的图状离散分布检测
机器学习
2025-04-11 v2
摘要
尽管图神经网络（GNN）在建模图结构数据方面取得了巨大成功，但离散分布（OOD）测试实例仍是当前GNN面临的重要挑战。 exposing 检测器模型于额外的 OOD 节点集是检测 OOD 节点最有效的技术之一，但额外的 OOD 实例在实际应用中往往难以获得。最近的图像方法通过数据合成来解决此问题，通常依赖于像 Stable Diffusion 等预训练的生成模型。然而，这些方法需要大量的额外数据，以及通用的预训练生成模型，而这些在图数据领域并不可得。因此，我们提出了用于图状 OOD 检测的 GOLD 框架，一种无需预训练模型即可进行合成 OOD 敞口的隐式对抗学习管道。该隐式对抗训练过程采用新颖的交替优化框架，通过训练：（1）一个潜在生成模型来定期模仿来自不断演化的 GNN 的内分布（ID）嵌入，以及（2）一个 GNN 编码器和一个 OOD 检测器，以准确分类 ID 数据，同时增加 ID 嵌入与生成模型合成嵌入之间的能量散度。这种新颖的方法隐式地将合成嵌入转化为相对于 ID 数据的伪 OOD 实例，有效地在没有辅助数据的情况下模拟了 OOD 场景的暴露。我们在五个基准图数据集上进行了广泛的 OOD 检测实验，验证了 GOLD 在不使用真实 OOD 数据的情况下相较于最先进的 OOD 敞口和非敞口基线方法具有优越性能。
引用
@article{arxiv.2502.05780,
title = {GOLD: Graph Out-of-Distribution Detection via Implicit Adversarial Latent Generation},
author = {Danny Wang and Ruihong Qiu and Guangdong Bai and Zi Huang},
journal= {arXiv preprint arXiv:2502.05780},
year = {2025}
}
备注
ICLR25