结构熵引导的无监督图分布外检测
机器学习
2025-03-13 v2
摘要
随着大量无标签数据的出现，无监督分布外（OOD）检测对于确保图神经网络（GNN）的可靠性至关重要，它需要在测试期间从分布内（ID）样本中识别出OOD样本，而在此过程中遇到新颖或未知数据是不可避免的。现有方法常因图结构中的冗余信息而导致性能下降，从而削弱了其有效区分ID和OOD数据的能力。为应对这一挑战，我们提出SEGO，一个将结构熵整合到图分类OOD检测中的无监督框架。具体而言，在对比学习架构中，SEGO通过最小化结构熵引入编码树形式的锚视图。所获得的编码树能有效去除图中的冗余信息，同时保留关键结构信息，从而捕捉ID和OOD样本之间不同的图模式。此外，我们提出了一种基于三元视图的多粒度对比学习方案，涵盖局部、全局和树级别，其中包含关键信息的编码树作为锚视图。在真实数据集上的大量实验验证了SEGO的有效性，展示了其在OOD检测中优于最先进基线的性能。具体而言，我们的方法在10个数据集对中9个上取得了最佳性能，在OOD检测数据集上平均提升3.7%，在FreeSolv/ToxCast数据集对上比最佳竞争者显著高出10.8%。
引用
@article{arxiv.2503.03241,
title = {Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection},
author = {Yue Hou and He Zhu and Ruomei Liu and Yingke Su and Jinxiang Xia and Junran Wu and Ke Xu},
journal= {arXiv preprint arXiv:2503.03241},
year = {2025}
}
备注
Accepted by AAAI 2025 (The 39th Annual AAAI Conference on Artificial Intelligence)