論文の概要: Coarse-to-Fine Open-Set Graph Node Classification with Large Language Models

• arxiv url: http://arxiv.org/abs/2512.16244v1
• Date: Thu, 18 Dec 2025 06:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.957117
• Title: Coarse-to-Fine Open-Set Graph Node Classification with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた大容量オープンセットグラフノード分類
• Authors: Xueqi Ma, Xingjun Ma, Sarah Monazam Erfani, Danilo Mandic, James Bailey,
• Abstract要約: オープンセット分類手法は、オープンワールドシナリオにおけるグラフニューラルネットワーク(GNN)のデプロイに不可欠である。 本稿では,大規模言語モデル(LLM)をグラフデータセットに適用したCFC(Coarse-to-Fine Open-set Classification)フレームワークを提案する。 CFCは、グラフとテキストドメインの最先端メソッドよりもOOD検出を10%改善する。
• 参考スコア（独自算出の注目度）: 31.470516002675154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing open-set classification methods capable of classifying in-distribution (ID) data while detecting out-of-distribution (OOD) samples is essential for deploying graph neural networks (GNNs) in open-world scenarios. Existing methods typically treat all OOD samples as a single class, despite real-world applications, especially high-stake settings such as fraud detection and medical diagnosis, demanding deeper insights into OOD samples, including their probable labels. This raises a critical question: can OOD detection be extended to OOD classification without true label information? To address this question, we propose a Coarse-to-Fine open-set Classification (CFC) framework that leverages large language models (LLMs) for graph datasets. CFC consists of three key components: a coarse classifier that uses LLM prompts for OOD detection and outlier label generation, a GNN-based fine classifier trained with OOD samples identified by the coarse classifier for enhanced OOD detection and ID classification, and refined OOD classification achieved through LLM prompts and post-processed OOD labels. Unlike methods that rely on synthetic or auxiliary OOD samples, CFC employs semantic OOD instances that are genuinely out-of-distribution based on their inherent meaning, improving interpretability and practical utility. Experimental results show that CFC improves OOD detection by ten percent over state-of-the-art methods on graph and text domains and achieves up to seventy percent accuracy in OOD classification on graph datasets.
• Abstract（参考訳）: オープンワールドシナリオにおけるグラフニューラルネットワーク(GNN)のデプロイには,OOD(out-of-distriion)サンプルを検出しながら,ID(in-distriion)データを分類可能なオープンセット分類手法の開発が不可欠である。 既存の方法では、実際の応用にもかかわらず、すべてのOODサンプルを単一のクラスとして扱うのが一般的である。 OOD検出は、本当のラベル情報なしでOOD分類に拡張できますか? この問題に対処するために,グラフデータセットの大規模言語モデル(LLM)を活用する,CFC(Coarse-to-Fine Open-set Classification)フレームワークを提案する。 CFCは、3つの重要な構成要素から構成される: LLMプロンプトを用いたOOD検出とアウトリールラベル生成のための粗い分類器、OOD検出とID分類を強化するために粗い分類器によって識別されたOODサンプルで訓練されたGNNベースの微細分類器、LLMプロンプトと後処理のOODラベルによって達成された洗練されたOOD分類器。 合成または補助的なOODサンプルに依存する方法とは異なり、CFCは、その本来の意味に基づいて、真に非分布であるセマンティックOODインスタンスを採用し、解釈可能性と実用性を改善している。 実験の結果、CFCはグラフやテキストドメインの最先端手法よりもOOD検出を10%改善し、グラフデータセットのOOD分類において最大7パーセントの精度を実現していることがわかった。

関連論文リスト

• GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model [43.848482407777766]
  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。
  論文  参考訳（メタデータ） (2025-04-29T21:42:54Z)
• FlowCon: Out-of-Distribution Detection using Flow-Based Contrastive Learning [0.0]
  我々は新しい密度に基づくOOD検出技術であるtextitFlowConを紹介する。 我々の主な革新は、正規化フローの特性と教師付きコントラスト学習を効率的に組み合わせることである。 経験的評価は、一般的な視覚データセットにまたがる手法の性能向上を示す。
  論文  参考訳（メタデータ） (2024-07-03T20:33:56Z)
• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• 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)
• CLIPScope: Enhancing Zero-Shot OOD Detection with Bayesian Scoring [16.0716584170549]
  ゼロショットOOD検出手法であるCLIPScopeを導入する。 CLIPScopeは、大きな語彙データベースからOODクラスをマイニングするための新しい戦略を取り入れている。 OODサンプルのカバレッジを最大化するために、CLIP埋め込み距離の観点から、最も多く、最もIDクラスに最も近いクラスラベルを選択する。
  論文  参考訳（メタデータ） (2024-05-23T16:03:55Z)
• Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
  アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。 本稿では,OOD検出における教師なし評価問題を初めて紹介する。 我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T13:34:35Z)
• 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)

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。