論文の概要: Bounded and Uniform Energy-based Out-of-distribution Detection for Graphs

• arxiv url: http://arxiv.org/abs/2504.13429v1
• Date: Fri, 18 Apr 2025 03:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 19:27:26.336412
• Title: Bounded and Uniform Energy-based Out-of-distribution Detection for Graphs
• Title（参考訳）: グラフにおける境界エネルギーと均一エネルギーを用いたアウト・オブ・ディストリビューション検出
• Authors: Shenzhi Yang, Bin Liang, An Liu, Lin Gui, Xingkai Yao, Xiaofang Zhang,
• Abstract要約: NODESAFE: 負のエネルギースコアを有界化し、ロジットシフトを緩和する2つの最適化項を追加することにより、ノードの極端なスコアの生成を減らす。 実験結果から,本手法はノードレベルでのOODデータ検出能力を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 13.357430716033337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the critical role of graphs in real-world applications and their high-security requirements, improving the ability of graph neural networks (GNNs) to detect out-of-distribution (OOD) data is an urgent research problem. The recent work GNNSAFE proposes a framework based on the aggregation of negative energy scores that significantly improves the performance of GNNs to detect node-level OOD data. However, our study finds that score aggregation among nodes is susceptible to extreme values due to the unboundedness of the negative energy scores and logit shifts, which severely limits the accuracy of GNNs in detecting node-level OOD data. In this paper, we propose NODESAFE: reducing the generation of extreme scores of nodes by adding two optimization terms that make the negative energy scores bounded and mitigate the logit shift. Experimental results show that our approach dramatically improves the ability of GNNs to detect OOD data at the node level, e.g., in detecting OOD data induced by Structure Manipulation, the metric of FPR95 (lower is better) in scenarios without (with) OOD data exposure are reduced from the current SOTA by 28.4% (22.7%).
• Abstract（参考訳）: 現実世界のアプリケーションにおけるグラフの役割とその高いセキュリティ要件を考えると、グラフニューラルネットワーク(GNN)のアウト・オブ・ディストリビューション(OOD)データ検出能力の改善は、緊急な研究課題である。 GNNSAFEは、ノードレベルのOODデータを検出するためのGNNの性能を大幅に向上させる、負のエネルギースコアの集約に基づくフレームワークを提案する。 しかし,ノード間のスコアアグリゲーションは負のエネルギースコアとロジットシフトの非有界性により極端に影響され,ノードレベルのOODデータの検出においてGNNの精度が著しく制限されることがわかった。 本稿では、負のエネルギースコアを束縛し、ロジットシフトを緩和する2つの最適化項を追加することにより、ノードの極端なスコアの生成を減らすNODESAFEを提案する。 実験結果から,本手法は,ノードレベルでのOODデータ検出能力,例えば構造操作によって誘導されるOODデータの検出において,OODデータ露光を伴わないシナリオにおけるFPR95(より低い値)のメトリックが,現在のSOTAから28.4%(22.7%)削減されることが示唆された。

関連論文リスト

• Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
  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。
  論文  参考訳（メタデータ） (2025-02-25T07:20:00Z)
• GOLD: Graph Out-of-Distribution Detection via Implicit Adversarial Latent Generation [26.062189631691545]
  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。
  論文  参考訳（メタデータ） (2025-02-09T05:19:53Z)
• 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)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• 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)
• GANI: Global Attacks on Graph Neural Networks via Imperceptible Node Injections [20.18085461668842]
  グラフニューラルネットワーク(GNN)は、様々なグラフ関連タスクで成功している。 近年の研究では、多くのGNNが敵の攻撃に弱いことが示されている。 本稿では,偽ノードを注入することで,現実的な攻撃操作に焦点を当てる。
  論文  参考訳（メタデータ） (2022-10-23T02:12:26Z)
• Uncertainty Aware Semi-Supervised Learning on Graph Data [18.695343563823798]
  ノード分類予測のためのグラフニューラルネットワーク(GNN)を用いたマルチソース不確実性フレームワークを提案する。 トレーニングノードのラベルからエビデンスを収集することにより、ノードレベルのディリクレ分布を正確に予測するグラフベースのカーネルディリクレ分布推定(GKDE)法が設計されている。 その結果,不協和性検出は誤分類検出において最良であり,空洞性検出はOOD検出において最良であることがわかった。
  論文  参考訳（メタデータ） (2020-10-24T04:56:46Z)

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。