論文の概要: GOLD: Graph Out-of-Distribution Detection via Implicit Adversarial Latent Generation

• arxiv url: http://arxiv.org/abs/2502.05780v1
• Date: Sun, 09 Feb 2025 05:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:30:44.452162
• Title: GOLD: Graph Out-of-Distribution Detection via Implicit Adversarial Latent Generation
• Title（参考訳）: GOLD: 帰属遅延生成によるグラフアウトオブディストリビューション検出
• Authors: Danny Wang, Ruihong Qiu, Guangdong Bai, Zi Huang,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)テストインスタンスは、グラフニューラルネットワーク(GNN)にとって依然として大きな課題である。 本稿では,OOD検出のためのGOLDフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.062189631691545
• License:
• Abstract: Despite graph neural networks' (GNNs) great success in modelling graph-structured data, out-of-distribution (OOD) test instances still pose a great challenge for current GNNs. One of the most effective techniques to detect OOD nodes is to expose the detector model with an additional OOD node-set, yet the extra OOD instances are often difficult to obtain in practice. Recent methods for image data address this problem using OOD data synthesis, typically relying on pre-trained generative models like Stable Diffusion. However, these approaches require vast amounts of additional data, as well as one-for-all pre-trained generative models, which are not available for graph data. Therefore, we propose the GOLD framework for graph OOD detection, an implicit adversarial learning pipeline with synthetic OOD exposure without pre-trained models. The implicit adversarial training process employs a novel alternating optimisation framework by training: (1) a latent generative model to regularly imitate the in-distribution (ID) embeddings from an evolving GNN, and (2) a GNN encoder and an OOD detector to accurately classify ID data while increasing the energy divergence between the ID embeddings and the generative model's synthetic embeddings. This novel approach implicitly transforms the synthetic embeddings into pseudo-OOD instances relative to the ID data, effectively simulating exposure to OOD scenarios without auxiliary data. Extensive OOD detection experiments are conducted on five benchmark graph datasets, verifying the superior performance of GOLD without using real OOD data compared with the state-of-the-art OOD exposure and non-exposure baselines.
• Abstract（参考訳）: グラフニューラルネットワーク'(GNN)がグラフ構造化データのモデリングで大きな成功を収めたにも関わらず、アウト・オブ・ディストリビューション(OOD)テストインスタンスは依然として、現在のGNNにとって大きな課題となっている。 OODノードを検出する最も効果的な手法の1つは、追加のOODノードセットで検出モデルを公開することである。 画像データの最近の手法は、OODデータ合成を用いてこの問題に対処し、通常、安定拡散のような事前訓練された生成モデルに依存している。 しかし、これらのアプローチには膨大な量のデータが必要であり、グラフデータでは利用できない1対1の事前学習された生成モデルも必要である。 そこで本研究では,OOD検出のためのGOLDフレームワークを提案する。 1)進化したGNNからの非分布(ID)埋め込みを定期的に模倣する潜在生成モデル、(2)GNNエンコーダおよびOOD検出器を用いてIDデータの正確な分類を行うとともに、ID埋め込みと生成モデルの合成埋め込みとのエネルギーばらつきを増大させる。 この新しいアプローチは、合成埋め込みをIDデータに対する擬似OODインスタンスに暗黙的に変換し、補助データなしでOODシナリオへの露出を効果的にシミュレートする。 OOD検出実験は5つのベンチマークグラフデータセットを用いて実施され、最先端のOOD露光や非露光ベースラインと比較して、実際のOODデータを用いることなく、GOLDの優れた性能を検証する。

関連論文リスト

• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• 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)
• 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)
• 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)
• 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)

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。