统一无监督图级异常检测与图级分布外检测：一个基准
机器学习
2025-04-07 v2 机器学习
摘要
为构建安全可靠的图机器学习系统，无监督图级异常检测（GLAD）和无监督图级分布外检测（GLOD）近年来受到广泛关注。尽管这两者确实共享相同的目标，但由于评估 setup 不同，社区独立研究，导致应用和评估方法相互之间存在鸿沟。为弥合这一鸿沟，本 work 提出统一基准：统一基准用于无监督图级 OOD 与 anomaLty 检测（UB-GOLD），一个综合性评估框架，将 GLAD 与 GLOD 在广义图级 OOD 检测概念下统一。我们的基准涵盖 35 个数据集，涵盖四种实际的异常与 OOD 检测场景，促进对 18 个代表性 GLAD/GLOD 方法的比较。我们进行多维分析，探讨现有方法在有效性、OOD 敏感性谱系、鲁棒性与效率方面的表现，揭示其优势与局限。此外，我们提供开源代码（https://github.com/UB-GOLD/UB-GOLD）以促进可重复研究，并基于洞见勾勒出未来研究的潜在方向。
引用
@article{arxiv.2406.15523,
title = {Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark},
author = {Yili Wang and Yixin Liu and Xu Shen and Chenyu Li and Kaize Ding and Rui Miao and Ying Wang and Shirui Pan and Xin Wang},
journal= {arXiv preprint arXiv:2406.15523},
year = {2025}
}