論文の概要: GDDA: Semantic OOD Detection on Graphs under Covariate Shift via Score-Based Diffusion Models
- arxiv url: http://arxiv.org/abs/2410.17526v1
- Date: Wed, 23 Oct 2024 03:05:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:55:25.073572
- Title: GDDA: Semantic OOD Detection on Graphs under Covariate Shift via Score-Based Diffusion Models
- Title(参考訳): GDDA:スコアベース拡散モデルによる共変量シフト下のグラフ上の意味的OOD検出
- Authors: Zhixia He, Chen Zhao, Minglai Shao, Yujie Lin, Dong Li, Qin Tian,
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出はグラフニューラルネットワーク(GNN)にとって大きな課題となる
グラフ上の既存のOOD検出方法のほとんどは、主にテストデータドメイン内のインスタンスの識別に焦点を当てている。
本研究では,両タイプのシフトを同時に処理し,グラフ上でのOOD検出に新たな課題を提起する。
- 参考スコア(独自算出の注目度): 8.562907330207716
- License:
- Abstract: Out-of-distribution (OOD) detection poses a significant challenge for Graph Neural Networks (GNNs), particularly in open-world scenarios with varying distribution shifts. Most existing OOD detection methods on graphs primarily focus on identifying instances in test data domains caused by either semantic shifts (changes in data classes) or covariate shifts (changes in data features), while leaving the simultaneous occurrence of both distribution shifts under-explored. In this work, we address both types of shifts simultaneously and introduce a novel challenge for OOD detection on graphs: graph-level semantic OOD detection under covariate shift. In this scenario, variations between the training and test domains result from the concurrent presence of both covariate and semantic shifts, where only graphs associated with unknown classes are identified as OOD samples (OODs). To tackle this challenge, we propose a novel two-phase framework called Graph Disentangled Diffusion Augmentation (GDDA). The first phase focuses on disentangling graph representations into domain-invariant semantic factors and domain-specific style factors. In the second phase, we introduce a novel distribution-shift-controlled score-based generative diffusion model that generates latent factors outside the training semantic and style spaces. Additionally, auxiliary pseudo-in-distribution (InD) and pseudo-OOD graph representations are employed to enhance the effectiveness of the energy-based semantic OOD detector. Extensive empirical studies on three benchmark datasets demonstrate that our approach outperforms state-of-the-art baselines.
- Abstract(参考訳): アウト・オブ・ディストリビューション(OOD)検出はグラフニューラルネットワーク(GNN)、特に分散シフトの変化するオープンワールドシナリオにおいて大きな課題となる。
グラフ上の既存のOOD検出方法は、主にセマンティックシフト(データクラスの変更)またはコバリアレートシフト(データ機能の変更)によって引き起こされるテストデータドメイン内のインスタンスの特定に焦点が当てられている。
本研究では,両タイプのシフトを同時に処理し,グラフ上でのOOD検出に新たな課題を提起する。
このシナリオでは、トレーニングドメインとテストドメインのバリエーションは、未知のクラスに関連するグラフのみをOODサンプル(OOD)として識別する共変量シフトとセマンティックシフトの両方が同時に存在することから生じる。
この課題に対処するため,GDDA (Graph Disentangled Diffusion Augmentation) と呼ばれる新しい2段階のフレームワークを提案する。
第1フェーズでは、グラフ表現をドメイン不変のセマンティックファクタとドメイン固有スタイルファクタに分離することに焦点を当てている。
第2フェーズでは,学習意味やスタイル空間以外の潜在因子を生成する分散シフト制御スコアベース生成拡散モデルを導入する。
さらに、エネルギーベースセマンティックOOD検出器の有効性を高めるために、補助擬似分布(InD)と擬似OODグラフ表現を用いる。
3つのベンチマークデータセットに関する大規模な実証研究は、我々のアプローチが最先端のベースラインより優れていることを示している。
関連論文リスト
- Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。
IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。
本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
論文 参考訳(メタデータ) (2024-04-24T03:25:53Z) - Graphs Generalization under Distribution Shifts [11.963958151023732]
グラフ学習不変領域ジェネレーション(GLIDER)という新しいフレームワークを導入する。
本モデルでは,ノード特徴量と位相構造量の分布シフトを同時に行う場合,ノードレベルのOOD一般化に基づくベースライン手法よりも優れる。
論文 参考訳(メタデータ) (2024-03-25T00:15:34Z) - ATTA: Anomaly-aware Test-Time Adaptation for Out-of-Distribution
Detection in Segmentation [22.084967085509387]
ドメインシフトとセマンティックシフトを協調的に扱うための二重レベルOOD検出フレームワークを提案する。
第1のレベルは、グローバルな低レベル機能を活用することで、画像内にドメインシフトが存在するかどうかを区別する。
第2のレベルは、高次特徴写像を高密度に利用することにより、セマンティックシフトを伴う画素を識別する。
論文 参考訳(メタデータ) (2023-09-12T06:49:56Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳(メタデータ) (2023-08-16T13:10:27Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - 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) - GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
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。
論文 参考訳(メタデータ) (2022-11-08T12:41:58Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Issues with Propagation Based Models for Graph-Level Outlier Detection [16.980621769406916]
Graph-Level Outlier Detection (GLOD)は、グラフデータベース内の異常なグラフを識別するタスクである。
本稿では, GLODに伝搬モデルを適用し, 基本的かつ興味深い問題に対処する。
モデルのROC-AUC性能は、どのクラスがダウンサンプリングされるかによって大きく変化します。
論文 参考訳(メタデータ) (2020-12-23T19:38:21Z)
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。