开放世界终身图学习
机器学习
2023-10-20 v1
摘要
我们研究开放世界场景下的终身图学习问题，其中模型需要处理新任务及潜在未知类别。我们利用分布外（OOD）检测方法识别新类别，并将现有的非图 OOD 检测方法适配到图数据。关键地，我们建议通过结合 OOD 检测方法与来自图邻域的聚合信息来执行新类别检测。大多数 OOD 检测方法避免确定用于判断顶点是否为 OOD 的明确阈值。为解决该问题，我们提出一种弱监督相关性反馈（Open-WRF）方法，降低 OOD 检测对阈值的敏感性。我们在六个基准数据集上评估了该方法。结果表明，所提出的 OOD 分数邻域聚合方法优于现有方法，且与底层图神经网络无关。此外，我们证明了 Open-WRF 方法对阈值选择更鲁棒，并分析了图邻域对 OOD 检测的影响。该聚合与阈值方法与任意图神经网络和 OOD 检测方法兼容，使我们的方法具有通用性并适用于许多真实应用。
引用
@article{arxiv.2310.12565,
title = {Open-World Lifelong Graph Learning},
author = {Marcel Hoffmann and Lukas Galke and Ansgar Scherp},
journal= {arXiv preprint arXiv:2310.12565},
year = {2023}
}