論文の概要: Redundancy-Aware Test-Time Graph Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2510.14562v1
• Date: Thu, 16 Oct 2025 11:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.82633
• Title: Redundancy-Aware Test-Time Graph Out-of-Distribution Detection
• Title（参考訳）: 冗長性を考慮したテスト時間グラフアウトオブディストリビューション検出
• Authors: Yue Hou, He Zhu, Ruomei Liu, Yingke Su, Junran Wu, Ke Xu,
• Abstract要約: RedOUTは、構造化エントロピーをグラフ分類のためのテスト時間OOD検出に統合する、教師なしのフレームワークである。 我々の手法は平均6.7%の改善を実現し、ClinTox/LIPOデータセットペアでは17.3%で最高の競合相手をはるかに上回っている。
• 参考スコア（独自算出の注目度）: 20.560483914725435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributional discrepancy between training and test data can lead models to make inaccurate predictions when encountering out-of-distribution (OOD) samples in real-world applications. Although existing graph OOD detection methods leverage data-centric techniques to extract effective representations, their performance remains compromised by structural redundancy that induces semantic shifts. To address this dilemma, we propose RedOUT, an unsupervised framework that integrates structural entropy into test-time OOD detection for graph classification. Concretely, we introduce the Redundancy-aware Graph Information Bottleneck (ReGIB) and decompose the objective into essential information and irrelevant redundancy. By minimizing structural entropy, the decoupled redundancy is reduced, and theoretically grounded upper and lower bounds are proposed for optimization. Extensive experiments on real-world datasets demonstrate the superior performance of RedOUT on OOD detection. Specifically, our method achieves an average improvement of 6.7%, significantly surpassing the best competitor by 17.3% on the ClinTox/LIPO dataset pair.
• Abstract（参考訳）: トレーニングデータとテストデータの分散的な差異は、実際のアプリケーションでOOD(out-of-distribution)サンプルに遭遇した場合、モデルが不正確な予測を行う原因となる可能性がある。 既存のグラフOOD検出手法はデータ中心の手法を用いて効率的な表現を抽出するが、その性能は意味的シフトを引き起こす構造的冗長性によって損なわれ続けている。 このジレンマに対処するために、グラフ分類のためのテスト時間OOD検出に構造エントロピーを統合する教師なしフレームワークRedOUTを提案する。 具体的には,ReGIB(Redundancy-aware Graph Information Bottleneck)を導入し,その目的を重要な情報と無関係な冗長性に分解する。 構造エントロピーを最小化することにより、疎結合の冗長性を低減し、理論上界と下界の接地を最適化するために提案する。 実世界のデータセットに対する大規模な実験は、OOD検出におけるRedoutの優れたパフォーマンスを示している。 具体的には,ClinTox/LIPOデータセットペアにおいて,ベスト競争相手の17.3%をはるかに上回り,平均6.7%の改善を実現している。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。