Fugu-MT 論文翻訳(概要): GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model

論文の概要: GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model

arxiv url: http://arxiv.org/abs/2504.21186v2
Date: Sat, 17 May 2025 01:21:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-20 17:08:52.841342
Title: GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model
Title（参考訳）: GLIP-OOD:グラフ基礎モデルによるゼロショットグラフOOD検出
Authors: Haoyan Xu, Zhengtao Yao, Xuzhi Zhang, Ziyi Wang, Langzhou He, Yushun Dong, Philip S. Yu, Mengyuan Li, Yue Zhao,
Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの安全性と信頼性を保証するために重要である。本研究では,グラフ基礎モデル(GFM)を利用したゼロショットグラフOOD検出の実現に向けた第一歩を踏み出す。 GLIP-OOD は LLM を用いてラベルのないデータから意味的に意味のある擬似OOD ラベルを生成するフレームワークである。
参考スコア（独自算出の注目度）: 43.848482407777766
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Out-of-distribution (OOD) detection is critical for ensuring the safety and reliability of machine learning systems, particularly in dynamic and open-world environments. In the vision and text domains, zero-shot OOD detection - which requires no training on in-distribution (ID) data - has advanced significantly through the use of large-scale pretrained models, such as vision-language models (VLMs) and large language models (LLMs). However, zero-shot OOD detection in graph-structured data remains largely unexplored, primarily due to the challenges posed by complex relational structures and the absence of powerful, large-scale pretrained models for graphs. In this work, we take the first step toward enabling zero-shot graph OOD detection by leveraging a graph foundation model (GFM). Our experiments show that, when provided only with class label names for both ID and OOD categories, the GFM can effectively perform OOD detection - often surpassing existing "supervised" OOD detection methods that rely on extensive labeled node data. We further address the practical scenario in which OOD label names are not available in real-world settings by introducing GLIP-OOD, a framework that uses LLMs to generate semantically informative pseudo-OOD labels from unlabeled data. These generated OOD labels allow the GFM to better separate ID and OOD classes, facilitating more precise OOD detection - all without any labeled nodes (only ID label names). To our knowledge, this is the first approach to achieve node-level graph OOD detection in a fully zero-shot setting, and it attains performance comparable to state-of-the-art supervised methods on four benchmark text-attributed graph datasets.
Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)検出は、特に動的およびオープンな環境において、機械学習システムの安全性と信頼性を保証するために重要である。ビジョンとテキストドメインでは、ゼロショットのOOD検出は、視覚言語モデル(VLM)や大規模言語モデル(LLM)といった大規模事前訓練モデルを使用することで、大幅に進歩している。しかし、グラフ構造データにおけるゼロショット OOD の検出は、主に複雑な関係構造やグラフの大規模事前学習モデルがないために、ほとんど探索されていない。本研究では,グラフ基盤モデル(GFM)を活用することにより,ゼロショットグラフOOD検出の実現に向けた第一歩を踏み出す。実験の結果,IDおよびOODカテゴリのクラスラベル名のみを付与した場合,GFMはOOD検出を効果的に行うことができることがわかった。さらに,LLMを用いてラベルなしデータから意味的に有意な擬似OODラベルを生成するフレームワークであるGLIP-OODを導入することで,OODラベル名が現実の環境で利用できないという現実的なシナリオに対処する。これらの生成されたOODラベルにより、GFMはIDクラスとOODクラスを分離し、ラベル付きノード(IDラベル名のみ)なしでより正確なOOD検出を容易にする。我々の知る限り、これは完全なゼロショット設定でノードレベルグラフOOD検出を実現するための最初のアプローチであり、4つのベンチマークテキスト分散グラフデータセットの最先端教師付き手法に匹敵するパフォーマンスを実現する。

関連論文リスト

Graph Synthetic Out-of-Distribution Exposure with Large Language Models [14.666576854790163]
GOE-LLMは、OODノードを必要としないグラフOOD検出において、OODの露光にLarge Language Modelsを活用する新しいフレームワークである。 GOE-LLM は最先端のグラフ OOD 検出法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-04-29T22:04:30Z)
Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection [11.217628543343855]
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。
論文参考訳（メタデータ） (2025-03-05T07:47:57Z)
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)
Envisioning Outlier Exposure by Large Language Models for Out-of-Distribution Detection [71.93411099797308]
オープンワールドシナリオに機械学習モデルをデプロイする場合、アウト・オブ・ディストリビューション(OOD)サンプルは不可欠である。本稿では,大規模言語モデル(LLM)の専門知識と推論能力を活用して,この制約に対処することを提案する。 EOEは、遠、近、きめ細かいOOD検出など、さまざまなタスクに一般化することができる。 EOEは様々なOODタスクで最先端のパフォーマンスを実現し、ImageNet-1Kデータセットに効果的にスケールできる。
論文参考訳（メタデータ） (2024-06-02T17:09:48Z)
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)
Open-World Lifelong Graph Learning [7.535219325248997]
オープンワールドシナリオにおける生涯グラフ学習の課題について検討する。我々は、新しいクラスを認識するために、out-of-Distribution (OOD) 検出手法を利用する。我々は,OOD検出手法とグラフ近傍から収集した情報を組み合わせることで,新しいクラス検出を行うことを提案する。
論文参考訳（メタデータ） (2023-10-19T08:18:10Z)
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。