优化分子图表中的OOD检测：基于扩散模型的新方法
机器学习
2024-04-25 v1
摘要
开放式测试数据集常常混合了分布外(OOD)样本，部署模型将难以进行准确预测。传统检测方法需要在分布外(OOD)检测和分布内(ID)分类性能之间进行权衡，因为它们共享相同的表示学习模型。本文提出通过采用基于扩散模型的辅助框架来检测OD分子，通过比较输入分子与重构图之间的相似性。由于生成模型倾向于重建ID训练样本，OD分子的相似性得分将显著降低，从而促进检测。虽然概念上简单，但将这一基础框架扩展到实际检测应用仍面临两个重大挑战。首先，基于欧几里得距离的流行相似性度量未能考虑复杂的图结构。其次，涉及迭代去噪步骤的生成模型在处理庞大的药物库时计算耗时。为此，本研究 pioneers 一种面向分子OD检测的原型图重建方法，称为PGR-MOOD，其基于三项创新：i) 有效度量全面量化输入与重构分子的匹配程度；ii) 创意的图生成器构建与ID相符但远离OD的原型图；iii) 高效可扩展的OD检测器比较测试样本与预构建原型图之间的相似性，省去每个新分子上的生成过程。在十个基准数据集和六个基线方法上进行了大量实验，以证明我们的优势。
引用
@article{arxiv.2404.15625,
title = {Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models},
author = {Xu Shen and Yili Wang and Kaixiong Zhou and Shirui Pan and Xin Wang},
journal= {arXiv preprint arXiv:2404.15625},
year = {2024}
}
备注
11 pages,10 figures