HGOE: 混合外部与内部图异常暴露用于图分布外检测
机器学习
2024-08-01 v1 人工智能
摘要
随着图深度学习的逐步发展，图数据的分布外（OOD）检测已成为一项关键挑战。虽然辅助数据集在增强图像和文本数据的OOD检测方面的有效性已被广泛研究，但此类方法尚未在图数据上得到探索。与欧几里得数据不同，图数据表现出更大的多样性但对扰动的鲁棒性较低，这使得异常的整合变得复杂。为应对这些挑战，我们提出了混合外部与内部图异常暴露（HGOE）以改善图OOD检测性能。我们的框架涉及使用来自不同领域的真实外部图数据，并在ID子群内部合成内部异常，以解决ID类中鲁棒性差和OOD样本存在的问题。此外，我们开发了一种边界感知的OE损失，自适应地为异常分配权重，最大化高质量OOD样本的利用同时最小化低质量样本的影响。我们提出的HGOE框架是模型无关的，旨在增强现有图OOD检测模型的有效性。实验结果表明，我们的HGOE框架可以显著提升所有8个真实数据集上现有OOD检测模型的性能。
引用
@article{arxiv.2407.21742,
title = {HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection},
author = {Junwei He and Qianqian Xu and Yangbangyan Jiang and Zitai Wang and Yuchen Sun and Qingming Huang},
journal= {arXiv preprint arXiv:2407.21742},
year = {2024}
}
备注
Proceedings of the 32nd ACM International Conference on Multimedia