論文の概要: Graph Out-of-Distribution Detection via Test-Time Calibration with Dual Dynamic Dictionaries
- arxiv url: http://arxiv.org/abs/2511.13541v1
- Date: Mon, 17 Nov 2025 16:14:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:25.387757
- Title: Graph Out-of-Distribution Detection via Test-Time Calibration with Dual Dynamic Dictionaries
- Title（参考訳）: 二重動的辞書を用いたテスト時間校正によるグラフアウトオブディストリビューション検出
- Authors: Yue Hou, Ruomei Liu, Yingke Su, Junran Wu, Ke Xu,
- Abstract要約: グラフアウト・オブ・ディストリビューション(OOD)検出の鍵となる課題は、トレーニング中に接地トルースOODサンプルが存在しないことである。
動的に動的に更新された辞書を用いてOODスコアを校正する,BaCaと呼ばれる新しいテスト時間グラフOOD検出法を提案する。
BaCaは、OOD検出における既存の最先端メソッドよりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 15.43092254877282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key challenge in graph out-of-distribution (OOD) detection lies in the absence of ground-truth OOD samples during training. Existing methods are typically optimized to capture features within the in-distribution (ID) data and calculate OOD scores, which often limits pre-trained models from representing distributional boundaries, leading to unreliable OOD detection. Moreover, the latent structure of graph data is often governed by multiple underlying factors, which remains less explored. To address these challenges, we propose a novel test-time graph OOD detection method, termed BaCa, that calibrates OOD scores using dual dynamically updated dictionaries without requiring fine-tuning the pre-trained model. Specifically, BaCa estimates graphons and applies a mix-up strategy solely with test samples to generate diverse boundary-aware discriminative topologies, eliminating the need for exposing auxiliary datasets as outliers. We construct dual dynamic dictionaries via priority queues and attention mechanisms to adaptively capture latent ID and OOD representations, which are then utilized for boundary-aware OOD score calibration. To the best of our knowledge, extensive experiments on real-world datasets show that BaCa significantly outperforms existing state-of-the-art methods in OOD detection.
- Abstract（参考訳）: OOD(Graph out-of-distribution)検出における重要な課題は、トレーニング中にOODサンプルが存在しないことである。
既存の方法は、通常、分布内(ID)データ内の特徴をキャプチャし、OODスコアを計算するように最適化されている。
さらに、グラフデータの潜伏構造は、しばしば複数の基礎要因によって制御されるが、探索は少ない。
これらの課題に対処するため、我々はBaCaと呼ばれる新しいテスト時間グラフOOD検出手法を提案し、事前訓練されたモデルを微調整することなく、二重動的に更新された辞書を用いてOODスコアを校正する。
具体的には、BaCaはグラフオンを推定し、テストサンプルのみをミックスアップ戦略を適用して、さまざまな境界対応の差別的トポロジを生成する。
我々は、優先順位待ち行列とアテンション機構を用いて二重動的辞書を構築し、遅延IDとOOD表現を適応的にキャプチャし、境界対応のOODスコアキャリブレーションに利用する。
我々の知る限り、実世界のデータセットに関する広範な実験は、BaCaがOOD検出における既存の最先端手法を著しく上回っていることを示している。
関連論文リスト
- Beyond Binary Out-of-Distribution Detection: Characterizing Distributional Shifts with Multi-Statistic Diffusion Trajectories [6.634696833862699]
DISC: Diffusion-based statistics characterization。
DISCは複数のノイズレベルにわたる統計的不一致をキャプチャする。
OOD検出のための最先端の検出器と一致または超え、重要な点として、OODタイプを分類する。
論文 参考訳（メタデータ） (2025-10-20T10:18:45Z) - Evidential Spectrum-Aware Contrastive Learning for OOD Detection in Dynamic Graphs [17.750640850821622]
動的グラフにおけるアウト・オブ・ディストリビューション(OOD)検出は、受信したデータがイン・ディストリビューション(ID)トレーニングセットの分布から逸脱するかどうかを特定することを目的としている。
我々は、Evidential Spectrum-awarE Contrastive Learningを用いた、革新的で効果的なOOD検出器であるEviSECを提案する。
論文 参考訳（メタデータ） (2025-06-09T04:34:46Z) - Uncertainty-Aware Out-of-Distribution Detection with Gaussian Processes [13.246251147975192]
ディープニューラルネットワーク(DNN)はしばしばクローズドワールドの前提の下で構築される。
OODサンプルは、現実世界のアプリケーションでトレーニングフェーズで必ずしも利用できない。
InDデータのみに基づく決定境界を確立するために,ガウス過程に基づくOOD検出手法を提案する。
論文 参考訳（メタデータ） (2024-12-30T12:57:31Z) - Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。
IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。
本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
論文 参考訳（メタデータ） (2024-04-24T03:25:53Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - 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) - Pseudo-OOD training for robust language models [78.15712542481859]
OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。
In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。
我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
論文 参考訳（メタデータ） (2022-10-17T14:32:02Z) - A Simple Test-Time Method for Out-of-Distribution Detection [45.11199798139358]
本稿では,OOD検出のための簡易なテスト時間線形訓練法を提案する。
分布外である入力画像の確率は、ニューラルネットワークが抽出した特徴と驚くほど線形に相関していることがわかった。
本稿では,提案手法のオンライン版を提案し,実世界のアプリケーションでより実用的な性能を実現する。
論文 参考訳（メタデータ） (2022-07-17T16:02:58Z)
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。