論文の概要: SpectralGap: Graph-Level Out-of-Distribution Detection via Laplacian Eigenvalue Gaps

• arxiv url: http://arxiv.org/abs/2505.15177v1
• Date: Wed, 21 May 2025 06:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.023211
• Title: SpectralGap: Graph-Level Out-of-Distribution Detection via Laplacian Eigenvalue Gaps
• Title（参考訳）: SpectralGap:ラプラシア固有値ギャップによるグラフレベル分布検出
• Authors: Jiawei Gu, Ziyue Qiao, Zechao Li,
• Abstract要約: グラフ上でのOOD検出に有効なポストホック手法であるSpecGapを提案する。 SpecGapは、複数のベンチマークデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 19.580332929984028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of graph-level out-of-distribution (OOD) detection is crucial for deploying graph neural networks in real-world settings. In this paper, we observe a significant difference in the relationship between the largest and second-largest eigenvalues of the Laplacian matrix for in-distribution (ID) and OOD graph samples: \textit{OOD samples often exhibit anomalous spectral gaps (the difference between the largest and second-largest eigenvalues)}. This observation motivates us to propose SpecGap, an effective post-hoc approach for OOD detection on graphs. SpecGap adjusts features by subtracting the component associated with the second-largest eigenvalue, scaled by the spectral gap, from the high-level features (i.e., $\mathbf{X}-\left(\lambda_n-\lambda_{n-1}\right) \mathbf{u}_{n-1} \mathbf{v}_{n-1}^T$). SpecGap achieves state-of-the-art performance across multiple benchmark datasets. We present extensive ablation studies and comprehensive theoretical analyses to support our empirical results. As a parameter-free post-hoc method, SpecGap can be easily integrated into existing graph neural network models without requiring any additional training or model modification.
• Abstract（参考訳）: グラフレベルのアウト・オブ・ディストリビューション(OOD)検出のタスクは、グラフニューラルネットワークを現実の環境でデプロイするために不可欠である。 本稿では,ラプラシア行列の分布内分布(ID)における最大値と2番目に大きな固有値の関係に有意な差を観測する: \textit{OOD サンプルは,しばしば異常なスペクトルギャップ(最大値と2番目に大きい固有値の差)を示す。 この観察は、グラフ上でのOOD検出に有効なポストホックアプローチであるSpecGapを提案する動機となっている。 SpecGap は高次特徴(例えば $\mathbf{X}-\left(\lambda_n-\lambda_{n-1}\right) \mathbf{u}_{n-1} \mathbf{v}_{n-1}^T$)からスペクトルギャップによってスケールされた第2の固有値に関連する成分を減算することで特徴を調整する。 SpecGapは、複数のベンチマークデータセットで最先端のパフォーマンスを達成する。 実験結果を支援するため,広範囲にわたるアブレーション研究と包括的な理論的解析を行った。 パラメータフリーのポストホック法として、SpecGapは、追加のトレーニングやモデル修正を必要とせずに、既存のグラフニューラルネットワークモデルに簡単に統合できる。

関連論文リスト

• GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection [5.714553194279462]
  実数値系をグラフ上のスペクトル信号畳み込みとしてモデル化し,未知変数間の相関を捉えることができることを示す。 このような分析に基づいて,より優れた一般化能力を有するグラフ畳み込み型予測伝搬(GCEPNet)を提案する。
  論文  参考訳（メタデータ） (2024-04-23T10:13:39Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
  グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。 このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2023-06-06T15:31:05Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Optimality of Message-Passing Architectures for Sparse Graphs [12.42591017155152]
  スパース設定における特徴デコレーショングラフ上のノード分類問題、すなわちノードの期待次数がノード数で$O(1)$である場合について検討する。 局所ベイズ最適性(英語版)と呼ばれるノード分類タスクに対するベイズ最適性(英語版)の概念を導入する。 最適なメッセージパッシングアーキテクチャは,低グラフ信号のレギュレーションにおける標準と高グラフ信号のレギュレーションにおける典型とを補間することを示す。
  論文  参考訳（メタデータ） (2023-05-17T17:31:20Z)
• RankFeat: Rank-1 Feature Removal for Out-of-distribution Detection [65.67315418971688]
  textttRankFeat は OOD 検出のためのシンプルだが効果的な textttpost hoc アプローチである。 textttRankFeatは、Emphstate-of-the-artパフォーマンスを実現し、以前のベストメソッドと比較して平均偽陽性率(FPR95)を17.90%削減する。
  論文  参考訳（メタデータ） (2022-09-18T16:01:31Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。