基于测试时校准的图结构离群检测：双动态字典方法
机器学习
2025-11-25 v2
摘要
图结构离群检测（OOD）的关键挑战在于训练期间缺乏真实的离群样本。现有方法通常优化以捕捉数据集内（in-distribution, ID）特征并计算离群得分，这往往限制了预训练模型的表示能力，难以把握分布边界，从而导致离群检测不可靠。此外，图数据的潜在结构常由多个底层因素共同决定，这一问题鲜有被探索。为此，我们提出一种新颖的测试时图结构离群检测方法，称为BaCa（Boundary-aware Calibration），通过双动态字典进行离群得分校准，无需对预训练模型进行微调。具体而言，BaCa估计图on函数，并仅使用测试样本应用混合策略生成多样化的边界感知判别拓扑结构，无需引入异常数据集。我们通过优先队列和注意力机制构建双动态字典，适应性地捕获潜在的ID和OOD表示，并用于边界感知的离群得分校准。据我们所知，大量真实数据集上的实验表明，BaCa在离群检测任务中显著优于现有最先进的方法。
引用
@article{arxiv.2511.13541,
title = {Graph Out-of-Distribution Detection via Test-Time Calibration with Dual Dynamic Dictionaries},
author = {Yue Hou and Ruomei Liu and Yingke Su and Junran Wu and Ke Xu},
journal= {arXiv preprint arXiv:2511.13541},
year = {2025}
}
备注
Accepted by AAAI 2026 (The 40th Annual AAAI Conference on Artificial Intelligence)