GOOD-D：面向无监督图分布外检测
机器学习
2022-11-09 v1
摘要
大多数现有的深度学习模型基于封闭世界假设进行训练，即假设测试数据与训练数据同分布且独立同分布（i.i.d.），称为分布内（ID）。然而，当模型部署于开放世界场景时，测试样本可能为分布外（OOD），因此需谨慎处理。为检测这些来自未知分布的 OOD 样本，OOD 检测近来受到越来越多的关注。然而，当前工作大多聚焦于网格结构数据，其在图结构数据上的应用仍待探索。考虑到图上数据标注通常耗时费力，本文研究无监督图 OOD 检测问题，旨在仅基于无标签 ID 数据检测 OOD 图。为实现该目标，我们提出了一种新的图对比学习框架 GOOD-D，可在不使用任何真实标签的情况下检测 OOD 图。通过对我们提出的无扰动图数据增强方法所生成的增强图进行层次化对比学习，GOOD-D 能够捕捉潜在的 ID 模式，并基于不同粒度（即节点级、图级和组级）的语义不一致性准确检测 OOD 图。作为无监督图级 OOD 检测的先驱工作，我们构建了全面的基准，将所提方法与多种最先进（SOTA）方法进行比较。实验结果表明，我们的方法在多个数据集上优于不同方法。
引用
@article{arxiv.2211.04208,
title = {GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection},
author = {Yixin Liu and Kaize Ding and Huan Liu and Shirui Pan},
journal= {arXiv preprint arXiv:2211.04208},
year = {2022}
}
备注
Accepted by WSDM 2023. 10 pages, 4 figures