Fugu-MT 論文翻訳(概要): Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection

論文の概要: Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection

arxiv url: http://arxiv.org/abs/2503.03241v2
Date: Wed, 12 Mar 2025 10:24:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-13 15:35:24.441332
Title: Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection
Title（参考訳）: 構造エントロピーガイドによる教師なしグラフアウトオブオフ分布検出
Authors: Yue Hou, He Zhu, Ruomei Liu, Yingke Su, Jinxiang Xia, Junran Wu, Ke Xu,
Abstract要約: グラフニューラルネットワーク(GNN)の信頼性を確保するためには、教師なしのアウト・オブ・ディストリビューション(OOD)検出が不可欠である。既存の手法は、しばしばグラフ構造における冗長な情報のために、妥協されたパフォーマンスに悩まされる。構造エントロピーをOOD検出に統合する,教師なしのフレームワークSEGOを提案する。
参考スコア（独自算出の注目度）: 11.217628543343855
License:
Abstract: With the emerging of huge amount of unlabeled data, unsupervised out-of-distribution (OOD) detection is vital for ensuring the reliability of graph neural networks (GNNs) by identifying OOD samples from in-distribution (ID) ones during testing, where encountering novel or unknown data is inevitable. Existing methods often suffer from compromised performance due to redundant information in graph structures, which impairs their ability to effectively differentiate between ID and OOD data. To address this challenge, we propose SEGO, an unsupervised framework that integrates structural entropy into OOD detection regarding graph classification. Specifically, within the architecture of contrastive learning, SEGO introduces an anchor view in the form of coding tree by minimizing structural entropy. The obtained coding tree effectively removes redundant information from graphs while preserving essential structural information, enabling the capture of distinct graph patterns between ID and OOD samples. Furthermore, we present a multi-grained contrastive learning scheme at local, global, and tree levels using triplet views, where coding trees with essential information serve as the anchor view. Extensive experiments on real-world datasets validate the effectiveness of SEGO, demonstrating superior performance over state-of-the-art baselines in OOD detection. Specifically, our method achieves the best performance on 9 out of 10 dataset pairs, with an average improvement of 3.7\% on OOD detection datasets, significantly surpassing the best competitor by 10.8\% on the FreeSolv/ToxCast dataset pair.
Abstract（参考訳）: 膨大な量のラベル付きデータが出現するにつれて、新しいデータや未知のデータに遭遇する必要のあるテスト中に、ID(In-Distribution)データからOODサンプルを識別することで、グラフニューラルネットワーク(GNN)の信頼性を確保するために、教師なしのアウト・オブ・ディストリビューション(OOD)検出が不可欠である。既存の手法は、しばしばグラフ構造における冗長な情報による妥協されたパフォーマンスに悩まされ、IDとOODデータを効果的に区別する能力に障害がある。この課題に対処するために、構造化エントロピーをグラフ分類に関するOOD検出に統合する教師なしフレームワークSEGOを提案する。特に、対照的な学習のアーキテクチャにおいて、SEGOは構造的エントロピーを最小化することにより、コーディングツリーの形式でアンカービューを導入する。得られた符号化木は、重要な構造情報を保存しながら、グラフから冗長情報を効果的に除去し、IDとOODの異なるグラフパターンのキャプチャを可能にする。さらに,三重項ビューを用いた局所的,大域的,木レベルでのコントラスト学習手法を提案する。実世界のデータセットに対する大規模な実験はSEGOの有効性を検証し、OOD検出における最先端のベースラインよりも優れた性能を示す。具体的には,OOD検出データセットでは平均3.7\%,FreeSolv/ToxCastデータセットペアでは10.8\%をはるかに上回っている。

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)
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)
Augmenting Softmax Information for Selective Classification with Out-of-Distribution Data [7.221206118679026]
既存のポストホック法はOOD検出でのみ評価した場合とは大きく異なる性能を示す。本稿では,特徴に依存しない情報を用いて,ソフトマックスに基づく信頼度を向上するSCOD(Softmax Information Retaining Combination, SIRC)の新たな手法を提案する。多様なImageNetスケールのデータセットと畳み込みニューラルネットワークアーキテクチャの実験は、SIRCがSCODのベースラインを一貫して一致または上回っていることを示している。
論文参考訳（メタデータ） (2022-07-15T14:39:57Z)
Training OOD Detectors in their Natural Habitats [31.565635192716712]
アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T15:38:39Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。