子群体偏移下的新节点类别检测
机器学习
2024-07-02 v2 社会与信息网络
机器学习
摘要
在现实世界的图数据中，分布偏移可能以多种方式显现，例如新类别的出现和现有类别相对比例的变化。在此类分布偏移下检测新类别的节点对于安全或洞察发现目的通常很重要。我们提出了一种新方法，即带有选择性链接预测的召回约束优化（RECO-SLIP），用于在子群体偏移下检测属性图中属于新类别的节点。通过将召回约束学习框架与样本高效的链接预测机制相结合，RECO-SLIP 解决了抵抗子群体偏移和有效利用图结构的双重挑战。我们在多个图数据集上的广泛实证评估表明，RECO-SLIP 的性能优于现有方法。实验代码可在 https://github.com/hsinghuan/novel-node-category-detection 获取。
引用
@article{arxiv.2404.01216,
title = {Novel Node Category Detection Under Subpopulation Shift},
author = {Hsing-Huan Chung and Shravan Chaudhari and Yoav Wald and Xing Han and Joydeep Ghosh},
journal= {arXiv preprint arXiv:2404.01216},
year = {2024}
}
备注
Accepted to ECML-PKDD 2024