基于拉普拉斯特征值间隔的图级准分布检测方法——SpectralGap

图级准分布（OOD）检测对于在实际场景中部署图神经网络至关重要。本文发现，最大特征值与第二大特征值之间关系在分布数据（ID）和OOD图样本之间存在显著差异：OOD样本常表现出异常的谱间隙（最大特征值与第二大特征值之差）。基于此，我们提出SpecGap——一种有效的后处理方法，用于图的OOD检测。SpecGap通过从高层特征中减去与第二大特征值相关的分量（按谱间隙比例缩放），实现特征调整，即 $\mathbf{X}-\left(\lambda_n-\lambda_{n-1}\right) \mathbf{u}_{n-1} \mathbf{v}_{n-1}^T$。在多个基准数据集上，SpecGap实现了最先进的性能。我们进行了大量消融研究和全面理论分析以支撑实证结果。作为一种无需额外训练或模型修改的参数化后处理方法，SpecGap可轻松集成到现有的图神经网络模型中。