論文の概要: Out-of-Distribution Detection on Graphs: A Survey

• arxiv url: http://arxiv.org/abs/2502.08105v1
• Date: Wed, 12 Feb 2025 04:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:47:46.062473
• Title: Out-of-Distribution Detection on Graphs: A Survey
• Title（参考訳）: グラフのアウト・オブ・ディストリビューション検出:サーベイ
• Authors: Tingyi Cai, Yunliang Jiang, Yixin Liu, Ming Li, Changqin Huang, Shirui Pan,
• Abstract要約: グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
• 参考スコア（独自算出の注目度）: 58.47395497985277
• License:
• Abstract: Graph machine learning has witnessed rapid growth, driving advancements across diverse domains. However, the in-distribution assumption, where training and testing data share the same distribution, often breaks in real-world scenarios, leading to degraded model performance under distribution shifts. This challenge has catalyzed interest in graph out-of-distribution (GOOD) detection, which focuses on identifying graph data that deviates from the distribution seen during training, thereby enhancing model robustness. In this paper, we provide a rigorous definition of GOOD detection and systematically categorize existing methods into four types: enhancement-based, reconstruction-based, information propagation-based, and classification-based approaches. We analyze the principles and mechanisms of each approach and clarify the distinctions between GOOD detection and related fields, such as graph anomaly detection, outlier detection, and GOOD generalization. Beyond methodology, we discuss practical applications and theoretical foundations, highlighting the unique challenges posed by graph data. Finally, we discuss the primary challenges and propose future directions to advance this emerging field. The repository of this survey is available at https://github.com/ca1man-2022/Awesome-GOOD-Detection.
• Abstract（参考訳）: グラフ機械学習は急速に成長し、さまざまな領域で進歩を遂げている。 しかし、トレーニングデータとテストデータが同じ分布を共有している分布内仮定は、現実のシナリオではしばしば破られ、分散シフト時のモデルパフォーマンスが低下する。 この課題は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当て、モデルロバスト性を高めることを目的とした、GOOD(Graph Out-of-Distribution)検出への関心を喚起した。 本稿では,GOOD検出の厳密な定義を提供し,既存の手法を拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,各手法の原理とメカニズムを分析し,GOOD検出とグラフ異常検出,外乱検出,GOOD一般化などの関連分野の区別を明らかにする。 方法論以外にも、グラフデータによって引き起こされるユニークな課題を取り上げ、実践的な応用と理論的基礎について論じる。 最後に,本研究の課題と今後の方向性について述べる。 この調査のリポジトリはhttps://github.com/ca1man-2022/Awesome-GOOD-Detectionで公開されている。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• GDDA: Semantic OOD Detection on Graphs under Covariate Shift via Score-Based Diffusion Models [8.562907330207716]
  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。
  論文  参考訳（メタデータ） (2024-10-23T03:05:33Z)
• 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)
• Beyond Generalization: A Survey of Out-Of-Distribution Adaptation on Graphs [22.561747395557642]
  本稿では,OF-Distribution (OOD) 適応法について,最新かつ前向きに検討する。 提案するグラフOOD適応分類法に基づいて,既存の手法を学習パラダイムに従って体系的に分類する。 我々は,有望な研究方針とそれに対応する課題を指摘する。
  論文  参考訳（メタデータ） (2024-02-17T00:40:12Z)
• 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)
• 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)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)

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。