論文の概要: Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2603.00602v1
• Date: Sat, 28 Feb 2026 11:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.285674
• Title: Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection
• Title（参考訳）: 探索のための学習:グラフアウトオブディストリビューション検出のためのポリシーガイド付きアウトリア合成
• Authors: Li Sun, Lanxu Yang, Jiayu Tian, Bowen Fang, Xiaoyan Yu, Junda Ye, Peng Tang, Hao Peng, Philip S. Yu,
• Abstract要約: 教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 51.93878677594561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting out-of-distribution (OOD) graphs is crucial for ensuring the safety and reliability of Graph Neural Networks. In unsupervised graph-level OOD detection, models are typically trained using only in-distribution (ID) data, resulting in incomplete feature space characterization and weak decision boundaries. Although synthesizing outliers offers a promising solution, existing approaches rely on fixed, non-adaptive sampling heuristics (e.g., distance- or density-based), limiting their ability to explore informative OOD regions. We propose a Policy-Guided Outlier Synthesis (PGOS) framework that replaces static heuristics with a learned exploration strategy. Specifically, PGOS trains a reinforcement learning agent to navigate low-density regions in a structured latent space and sample representations that most effectively refine the OOD decision boundary. These representations are then decoded into high-quality pseudo-OOD graphs to improve detector robustness. Extensive experiments demonstrate that PGOS achieves state-of-the-art performance on multiple graph OOD and anomaly detection benchmarks.
• Abstract（参考訳）: グラフニューラルネットワークの安全性と信頼性を確保するためには,アウト・オブ・ディストリビューション(OOD)グラフの検出が不可欠である。 教師なしグラフレベルのOOD検出では、モデルは通常、分布内(ID)データのみを使用して訓練される。 外れ値の合成は有望な解を提供するが、既存のアプローチは固定された非適応サンプリングヒューリスティック(例えば距離や密度に基づく)に依存しており、情報的なOOD領域を探索する能力を制限する。 本稿では,静的ヒューリスティックスを学習的探索戦略に置き換えたPGOS(Policy-Guided Outlier Synthesis)フレームワークを提案する。 具体的には、PGOSは強化学習エージェントを訓練し、構造化された潜在空間内の低密度領域とOOD決定境界を効果的に洗練するサンプル表現をナビゲートする。 これらの表現は、検出器の堅牢性を改善するために、高品質な擬OODグラフにデコードされる。 PGOSは複数のグラフOODと異常検出ベンチマークで最先端のパフォーマンスを実現する。

関連論文リスト

• From Subtle to Significant: Prompt-Driven Self-Improving Optimization in Test-Time Graph OOD Detection [15.167705236111104]
  Graph Out-of-Distribution(OOD)検出は、テストグラフがトレーニング中に観察された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。 textbfSelf-textbfIm textbfGraph textbfOut-textbfof-textbfDistribution detector (SIGOOD)を提案する。 SIGOODは、潜在的OOD信号を増幅するプロンプト強化グラフを構築するプロンプトを生成する。
  論文  参考訳（メタデータ） (2026-02-19T13:19:53Z)
• Graph Out-of-Distribution Detection via Test-Time Calibration with Dual Dynamic Dictionaries [15.43092254877282]
  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。
  論文  参考訳（メタデータ） (2025-11-17T16:14:48Z)
• 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)
• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
  近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。 教師なしアンダーラインtextbfGraphレベルアンダーラインtextbfOOD と anomaunderlinetextbfLy underlinetextbfDetection (ourmethod) に対するアンダーラインtextbfUnifiedアンダーラインtextbffBenchmark を提案する。 私たちのベンチマークには35のデータセットが含まれています
  論文  参考訳（メタデータ） (2024-06-21T04:07:43Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• Open-World Lifelong Graph Learning [7.535219325248997]
  オープンワールドシナリオにおける生涯グラフ学習の課題について検討する。 我々は、新しいクラスを認識するために、out-of-Distribution (OOD) 検出手法を利用する。 我々は,OOD検出手法とグラフ近傍から収集した情報を組み合わせることで,新しいクラス検出を行うことを提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:18:10Z)
• 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)

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。