論文の概要: Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs

• arxiv url: http://arxiv.org/abs/2502.17912v1
• Date: Tue, 25 Feb 2025 07:20:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:47.993053
• Title: Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs
• Title（参考訳）: 異種グラフ上のノードアウトオブディストリビューション検出のための非結合グラフエネルギーモデル
• Authors: Yuhan Chen, Yihong Luo, Yifan Song, Pengwen Dai, Jing Tang, Xiaochun Cao,
• Abstract要約: グラフ学習におけるノードのOOD検出は未探索のままである。 GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。 本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
• 参考スコア（独自算出の注目度）: 61.226857589092
• License:
• Abstract: Despite extensive research efforts focused on OOD detection on images, OOD detection on nodes in graph learning remains underexplored. The dependence among graph nodes hinders the trivial adaptation of existing approaches on images that assume inputs to be i.i.d. sampled, since many unique features and challenges specific to graphs are not considered, such as the heterophily issue. Recently, GNNSafe, which considers node dependence, adapted energy-based detection to the graph domain with state-of-the-art performance, however, it has two serious issues: 1) it derives node energy from classification logits without specifically tailored training for modeling data distribution, making it less effective at recognizing OOD data; 2) it highly relies on energy propagation, which is based on homophily assumption and will cause significant performance degradation on heterophilic graphs, where the node tends to have dissimilar distribution with its neighbors. To address the above issues, we suggest training EBMs by MLE to enhance data distribution modeling and remove energy propagation to overcome the heterophily issues. However, training EBMs via MLE requires performing MCMC sampling on both node feature and node neighbors, which is challenging due to the node interdependence and discrete graph topology. To tackle the sampling challenge, we introduce DeGEM, which decomposes the learning process into two parts: a graph encoder that leverages topology information for node representations and an energy head that operates in latent space. Extensive experiments validate that DeGEM, without OOD exposure during training, surpasses previous state-of-the-art methods, achieving an average AUROC improvement of 6.71% on homophilic graphs and 20.29% on heterophilic graphs, and even outperform methods trained with OOD exposure. Our code is available at: https://github.com/draym28/DeGEM.
• Abstract（参考訳）: 画像上でのOOD検出に焦点をあてた広範な研究努力にもかかわらず、グラフ学習におけるノードでのOOD検出は未調査のままである。 グラフノード間の依存は、ヘテロフィリー問題など、グラフ固有の多くの特徴や課題が考慮されていないため、入力をサンプルとするイメージに対する既存のアプローチの自明な適応を妨げる。 近年,ノード依存を考慮に入れたGNNSafeは,最先端の性能を備えたグラフ領域へのエネルギーベース検出に適応しているが,2つの重大な問題がある。 1 ノードエネルギーは、データ分散をモデル化するための特別に調整された訓練をすることなく、分類ロジットから導出し、OODデータの認識の効率を低下させる。 2) 同相の仮定に基づくエネルギー伝播に強く依存しており, ノードが隣接ノードと相似分布を持つ傾向にあるヘテロ親水性グラフにおいて, 顕著な性能劣化を引き起こす。 以上の課題に対処するために、MLEによるEMMのトレーニングを行い、データ分散モデリングを強化し、ヘテロフィリ問題を克服するためにエネルギー伝搬を取り除くことを提案する。 しかし、MLEによるEMMのトレーニングでは、ノード特徴とノード近傍の両方でMCMCサンプリングを行う必要があり、これはノード相互依存性と離散グラフトポロジーのために難しい。 サンプリング問題に取り組むために,ノード表現のトポロジ情報を活用するグラフエンコーダと,潜時空間で動作するエネルギヘッドという,学習プロセスを分割したDeGEMを導入する。 広範囲にわたる実験により、DGEMは、訓練中にOODが露出することなく、従来の最先端の手法を超越し、同好性グラフでは平均6.71%、異好性グラフでは20.29%、OOD暴露で訓練された方法ではさらに優れていた。 私たちのコードは、https://github.com/draym28/DeGEM.comで利用可能です。

関連論文リスト

• Bi-directional Curriculum Learning for Graph Anomaly Detection: Dual Focus on Homogeneity and Heterogeneity [9.520967269079007]
  グラフ異常検出(GAD)は、通常のパターンと大きく異なるグラフからノードを特定することを目的としている。 これまでの研究のほとんどはモデル駆動型であり、モデル構造の改善による検出効果の向上に重点を置いている。 GAD手法を最適化するために,グラフカリキュラム学習をシンプルかつ効果的なプラグアンドプレイモジュールとして導入する。
  論文  参考訳（メタデータ） (2025-01-24T03:01:16Z)
• Counterfactual Data Augmentation with Denoising Diffusion for Graph Anomaly Detection [32.165578819142695]
  グラフ異常検出のための教師なし対実データ拡張法CAGADを提案する。 グラフ固有の拡散モデルを設計し、その近傍の一部(おそらく通常のもの)を異常なものに翻訳する。 翻訳された異常な隣人を集約することで、偽造表現はより識別しやすくなり、さらに検出性能を主張する。
  論文  参考訳（メタデータ） (2024-07-02T10:37:54Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
  統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。 また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:54:11Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• 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)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)

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。