图结构上的类分布外检测：综述
机器学习
2025-02-13 v1
摘要
图机器学习正在快速发展，推动了多个领域的进步。然而，训练数据和测试数据共享相同分布的分布内假设在实际场景中常常破裂，导致模型在分布迁移下性能下降。这种挑战催生了对图结构类分布外 (GOOD) 检测的兴趣，旨在识别与训练期间看到的分布不同的图数据，从而提升模型鲁棒性。本文对 GOOD 检测进行严格定义，并系统将现有方法归类为四种类型：增强型、重建型、信息传播型和分类型方法。我们分析了每种方法的原理与机制，阐明了 GOOD 检测与图异常检测、离群点检测及 GOOD 泛化之间的区别。除方法论外，我们讨论了实际应用与理论基础，突出图数据所特有的挑战。最后，我们阐述主要挑战并提出未来方向以推动这一新兴领域发展。本综述的仓库已于 https://github.com/ca1man-2022/Awesome-GOOD-Detection 提供。
引用
@article{arxiv.2502.08105,
title = {Out-of-Distribution Detection on Graphs: A Survey},
author = {Tingyi Cai and Yunliang Jiang and Yixin Liu and Ming Li and Changqin Huang and Shirui Pan},
journal= {arXiv preprint arXiv:2502.08105},
year = {2025}
}
备注
9 pages, 6 figures