通过能量传播实现异构图中的分布外检测
机器学习
2025-05-08 v1 社会与信息网络
摘要
图神经网络 (GNN) 已被证明能有效从图数据中提取复杂的节点和结构信息。虽然当前的 GNN 在分布内 (ID) 设置下的节点分类任务中表现良好，但现实场景常常呈现分布偏移，导致分布外 (OOD) 节点的存在。图中的 OOD 检测是一项关键且具有挑战性的任务。现有研究大多集中于同构图，但现实世界的图通常是异构的，由多样的节点和边类型组成。这种异构性增加了复杂性并丰富了信息内容。据我们所知，异构图中的 OOD 检测仍是一个探索不足的领域。在此背景下，我们提出了一种新颖的异构图 OOD 检测方法 (OODHG)，旨在实现两个主要目标：1) 检测 OOD 节点；2) 基于第一个任务的结果对所有 ID 节点进行分类。具体来说，我们为异构图中的每个节点学习表示，计算能量值以确定节点是否为 OOD，然后对 ID 节点进行分类。为了利用异构图的结构信息，我们引入了一种基于元路径的能量传播机制和一个能量约束，以增强 ID 和 OOD 节点之间的区分度。广泛的实验结果证实了 OODHG 的简洁性和有效性，证明了其在 OOD 检测任务中优于基线模型，并在 ID 节点分类中具有准确性。
引用
@article{arxiv.2505.03774,
title = {Out-of-Distribution Detection in Heterogeneous Graphs via Energy Propagation},
author = {Tao Yin and Chen Zhao and Xiaoyan Liu and Minglai Shao},
journal= {arXiv preprint arXiv:2505.03774},
year = {2025}
}
备注
Knowledge-Based Systems 2025