GOODAT：迈向测试时图分布外检测
机器学习
2024-01-15 v1 人工智能
摘要
图神经网络（GNN）在跨多个领域对图数据进行建模方面已得到广泛应用。尽管 GNN 在测试数据与其训练数据共享分布（分布内，ID）的场景中表现出色，但当面对来自陌生分布（分布外，OOD）的样本时，它们通常表现出错误的预测。为了使用 GNN 识别并拒绝 OOD 样本，最近的研究探索了图 OOD 检测，通常侧重于训练特定模型或在训练良好的 GNN 之上修改数据。尽管有效，这些方法需要大量的训练资源和成本，因为它们需要在训练数据上优化基于 GNN 的模型。此外，它们对修改原始 GNN 和访问训练数据的依赖进一步限制了其通用性。为此，本文引入了一种在测试时检测图分布外的方法（即 GOODAT），这是一种以数据为中心、无监督且即插即用的解决方案，独立于训练数据和 GNN 架构的修改运行。借助轻量级图掩码器，GOODAT 能够从测试样本中学习信息丰富的子图，从而捕获 OOD 和 ID 样本之间不同的图模式。为了优化图掩码器，我们基于图信息瓶颈原理精心设计了三个无监督目标函数，促使掩码器为 OOD 检测捕获紧凑而信息丰富的子图。综合评估证实，我们的 GOODAT 方法在多种真实世界数据集上优于 SOTA 基准。代码可在 Github 获取：https://github.com/Ee1s/GOODAT
引用
@article{arxiv.2401.06176,
title = {GOODAT: Towards Test-time Graph Out-of-Distribution Detection},
author = {Luzhi Wang and Dongxiao He and He Zhang and Yixin Liu and Wenjie Wang and Shirui Pan and Di Jin and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2401.06176},
year = {2024}
}
备注
9 pages, 5 figures