在含分布外节点的图上的学习
机器学习
2023-08-15 v1 人工智能
摘要
图神经网络（GNNs）是在图上执行预测任务的最先进模型。尽管现有 GNNs 在各类图相关任务上展现出优异性能，但训练与推断时图中存在分布外（OOD）节点的情形却鲜受关注。借自计算机视觉（CV）与自然语言处理（NLP）的概念，我们将 OOD 节点定义为标签在训练集中未出现的节点。由于许多网络由程序自动构建，真实世界图常含噪声并可能包含来自未知分布的节点。本工作中，我们定义了含分布外节点的图学习问题。具体而言，我们旨在完成两项任务：1）检测不属于已知分布的节点；2）将剩余节点分类为已知类别之一。我们证明图中的连接模式对离群点检测具有信息性，并提出分布外图注意力网络（OODGAT），一种新颖的 GNN 模型，其在特征传播过程中显式建模不同节点间的交互并将内点与外点分离。大量实验表明，OODGAT 以大幅优势超越现有离群点检测方法，同时在分布内分类上表现更优或相当。
引用
@article{arxiv.2308.06714,
title = {Learning on Graphs with Out-of-Distribution Nodes},
author = {Yu Song and Donglin Wang},
journal= {arXiv preprint arXiv:2308.06714},
year = {2023}
}
备注
Accepted by KDD'22