論文の概要: GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2211.04208v1
• Date: Tue, 8 Nov 2022 12:41:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:46:14.308893
• Title: GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection
• Title（参考訳）: GOOD-D:unsupervised Graph Out-Of-Distribution Detectionについて
• Authors: Yixin Liu, Kaize Ding, Huan Liu, Shirui Pan
• Abstract要約: 我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 67.90365841083951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing deep learning models are trained based on the closed-world assumption, where the test data is assumed to be drawn i.i.d. from the same distribution as the training data, known as in-distribution (ID). However, when models are deployed in an open-world scenario, test samples can be out-of-distribution (OOD) and therefore should be handled with caution. To detect such OOD samples drawn from unknown distribution, OOD detection has received increasing attention lately. However, current endeavors mostly focus on grid-structured data and its application for graph-structured data remains under-explored. Considering the fact that data labeling on graphs is commonly time-expensive and labor-intensive, in this work we study the problem of unsupervised graph OOD detection, aiming at detecting OOD graphs solely based on unlabeled ID data. To achieve this goal, we develop a new graph contrastive learning framework GOOD-D for detecting OOD graphs without using any ground-truth labels. By performing hierarchical contrastive learning on the augmented graphs generated by our perturbation-free graph data augmentation method, GOOD-D is able to capture the latent ID patterns and accurately detect OOD graphs based on the semantic inconsistency in different granularities (i.e., node-level, graph-level, and group-level). As a pioneering work in unsupervised graph-level OOD detection, we build a comprehensive benchmark to compare our proposed approach with different state-of-the-art methods. The experiment results demonstrate the superiority of our approach over different methods on various datasets.
• Abstract（参考訳）: 既存のディープラーニングモデルの多くは、テストデータがトレーニングデータと同じ分布から引き出されると仮定されたクローズドワールドの仮定に基づいてトレーニングされる。 しかし、オープンワールドシナリオにモデルがデプロイされる場合、テストサンプルは配布外(OOD)になり得るため、慎重に扱う必要がある。 未知分布から引き出されたOODサンプルを検出するため,最近,OOD検出に注目が集まっている。 しかし、現在の取り組みは主にグリッド構造データに焦点を当てており、グラフ構造データへの応用は未検討のままである。 本研究は,グラフ上のデータラベリングが時間的・労働集約的であることを考慮し,ラベル付きIDデータのみに基づいてOODグラフを検出することを目的とした,教師なしグラフOOD検出の問題について検討する。 この目的を達成するために,OODグラフを検出する新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 摂動自由グラフデータ拡張法により生成された拡張グラフに対して階層的コントラスト学習を行うことにより、GOOD-Dは潜在IDパターンを捕捉し、異なる粒度の意味的不整合(ノードレベル、グラフレベル、グループレベル)に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルood検出の先駆的研究として,提案手法と最先端手法を比較した総合ベンチマークを構築した。 実験結果は,様々なデータセット上の異なる手法に対するアプローチの優位性を示す。

関連論文リスト

• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
  近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。 教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。 我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。 我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
  論文  参考訳（メタデータ） (2024-06-21T04:07:43Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Open-World Lifelong Graph Learning [7.535219325248997]
  オープンワールドシナリオにおける生涯グラフ学習の課題について検討する。 我々は、新しいクラスを認識するために、out-of-Distribution (OOD) 検出手法を利用する。 我々は,OOD検出手法とグラフ近傍から収集した情報を組み合わせることで,新しいクラス検出を行うことを提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:18:10Z)
• SGOOD: Substructure-enhanced Graph-Level Out-of-Distribution Detection [13.734411226834327]
  グラフレベルのOOD検出フレームワークであるSGOODを提案する。 我々は,IDグラフとOODグラフのサブ構造差が一般的であること,および,OOD検出に有効なタスク非依存のサブ構造を符号化する一連の手法を用いてSGOODを設計することを発見した。 多数のグラフデータセット上の11の競合相手に対する実験は、SGOODの優位性を実証している。
  論文  参考訳（メタデータ） (2023-10-16T09:51:24Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。