针对任意目标对齐下的特征共振以实现图基机器学习中的离群节点检测
机器学习
2025-10-24 v2
摘要
在图基机器学习领域，检测离群分布(OD)节点具有挑战性，尤其是当未知离群分布节点不可用多类别标签时。因此，我们关注特征空间而非标签空间，发现理想情况下，在已知离群分布样本的优化过程中，未知离群分布样本的表示变化会比 OOD 样本更显著，即使模型被训练以拟合随机目标，这一现象我们称为特征共振。其背后的原理是，即使没有黄金标签，局部流形仍可能 exhibits 平滑共振。基于此，我们进一步开发了一种新颖的图 OOD 框架，称为基于特征共振的分离与学习(RSL)，其包含两个核心模块：(i) 一个更实用的微观层次特征共振代理，用于衡量一个训练步骤中特征向量的运动。(ii) 集成合成 OOD 节点策略以训练有效的 OOD 分类器。在理论上，我们推导出显示 RSL 期间 OOD 节点优越可分性的误差界。广泛的实验在总计十三个真实世界图数据集上经验性地表明，RSL 实现了最先进的性能。
引用
@article{arxiv.2502.16076,
title = {Harnessing Feature Resonance under Arbitrary Target Alignment for Out-of-Distribution Node Detection},
author = {Shenzhi Yang and Junbo Zhao and Sharon Li and Shouqing Yang and Dingyu Yang and Xiaofang Zhang and Haobo Wang},
journal= {arXiv preprint arXiv:2502.16076},
year = {2025}
}
备注
NeurIPS 2025 Accepted