学习探索：基于策略引导的图结构离群点合成用于图结构离散分布检测

检测图结构离散分布（OOD）对确保图神经网络的安全性和可靠性至关重要。在无监督的图级 OOD 检测中，模型通常仅使用来自离散分布（ID）的数据进行训练，导致特征空间表述不完整和决策边界较弱。虽然合成离群点是一个有前景的解决方案，但现有方法依赖固定且非自适应的抽样启发式（如基于距离或基于密度），限制了其探索信息化 OOD 区域的能力。我们提出一种策略引导的离群点合成（Policy-Guided Outlier Synthesis, PGOS）框架，取而代之的是学习的探索策略。具体而言，PGOS 训练一个强化学习智能体，在结构化潜在空间中导航低密度区域，采样最有效地细化 OOD 决策边界的表示。随后，这些表示被解码为高质量的伪 OOD 图，以提高检测器的鲁棒性。大量实验表明，PGOS 在多个图结构 OOD 和异常检测基准上实现了最前沿性能。