論文の概要: Out-of-Distribution Detection in Heterogeneous Graphs via Energy Propagation

• arxiv url: http://arxiv.org/abs/2505.03774v1
• Date: Tue, 29 Apr 2025 22:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.791924
• Title: Out-of-Distribution Detection in Heterogeneous Graphs via Energy Propagation
• Title（参考訳）: エネルギー伝搬による不均一グラフの分布外検出
• Authors: Tao Yin, Chen Zhao, Xiaoyan Liu, Minglai Shao,
• Abstract要約: 異種グラフにおけるOOD検出のための新しい手法を提案する。 ヘテロジニアスグラフの各ノードの表現を学習し、エネルギー値を計算し、ノードがOODであるかどうかを判断する。 異種グラフの構造情報を活用するために,メタパスに基づくエネルギー伝搬機構を導入する。
• 参考スコア（独自算出の注目度）: 7.201287404191238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are proven effective in extracting complex node and structural information from graph data. While current GNNs perform well in node classification tasks within in-distribution (ID) settings, real-world scenarios often present distribution shifts, leading to the presence of out-of-distribution (OOD) nodes. OOD detection in graphs is a crucial and challenging task. Most existing research focuses on homogeneous graphs, but real-world graphs are often heterogeneous, consisting of diverse node and edge types. This heterogeneity adds complexity and enriches the informational content. To the best of our knowledge, OOD detection in heterogeneous graphs remains an underexplored area. In this context, we propose a novel methodology for OOD detection in heterogeneous graphs (OODHG) that aims to achieve two main objectives: 1) detecting OOD nodes and 2) classifying all ID nodes based on the first task's results. Specifically, we learn representations for each node in the heterogeneous graph, calculate energy values to determine whether nodes are OOD, and then classify ID nodes. To leverage the structural information of heterogeneous graphs, we introduce a meta-path-based energy propagation mechanism and an energy constraint to enhance the distinction between ID and OOD nodes. Extensive experimental findings substantiate the simplicity and effectiveness of OODHG, demonstrating its superiority over baseline models in OOD detection tasks and its accuracy in ID node classification.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフデータから複雑なノードや構造情報を抽出するのに有効であることが証明されている。 現在のGNNは、ID(In-Distribution)設定内のノード分類タスクでよく機能するが、現実のシナリオは、しばしば分散シフトを示し、アウト・オブ・ディストリビューション(OOD)ノードの存在につながる。 グラフにおけるOOD検出は重要で困難なタスクである。 既存の研究のほとんどは同質グラフに焦点を当てているが、実世界のグラフはしばしば異質であり、多様なノードとエッジタイプで構成されている。 この異質性は複雑さを増し、情報の内容を豊かにする。 我々の知る限りでは、不均一グラフにおけるOOD検出は未探索領域のままである。 そこで本研究では, ヘテロジニアスグラフ(OODHG)におけるOOD検出のための新しい手法を提案する。 1)OODノードを検出して 2) 最初のタスクの結果に基づいてすべてのIDノードを分類する。 具体的には、不均一グラフの各ノードの表現を学習し、エネルギー値を算出し、ノードがOODであるかを判断し、IDノードを分類する。 異種グラフの構造情報を活用するために,メタパスに基づくエネルギー伝搬機構とエネルギー制約を導入し,IDノードとOODノードの区別を強化する。 OODHGの簡便さと有効性を実証し,OOD検出タスクにおけるベースラインモデルよりも優れていること,IDノード分類における精度を実証した。

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)
• AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer [4.01252998015631]
  本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。 我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
  論文  参考訳（メタデータ） (2024-04-16T10:30:48Z)
• Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
  論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。 ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。 ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
  論文  参考訳（メタデータ） (2024-03-26T03:29:42Z)
• 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)
• 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)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)

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。