論文の概要: LLM-Enhanced Energy Contrastive Learning for Out-of-Distribution Detection in Text-Attributed Graphs

• arxiv url: http://arxiv.org/abs/2603.20293v1
• Date: Thu, 19 Mar 2026 02:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.81091
• Title: LLM-Enhanced Energy Contrastive Learning for Out-of-Distribution Detection in Text-Attributed Graphs
• Title（参考訳）: テキスト分散グラフにおけるアウト・オブ・ディストリビューション検出のためのLLMによるエネルギーコントラスト学習
• Authors: Xiaoxu Ma, Dong Li, Minglai Shao, Xintao Wu, Chen Zhao,
• Abstract要約: 本稿では,大規模言語モデル(LLM)とエネルギーに基づくコントラスト学習を統合した新しい手法を提案する。 提案手法は,高い分類精度とロバストなOOD検出能力を両立させるとともに,最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 29.764048070305254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-attributed graphs, where nodes are enriched with textual attributes, have become a powerful tool for modeling real-world networks such as citation, social, and transaction networks. However, existing methods for learning from these graphs often assume that the distributions of training and testing data are consistent. This assumption leads to significant performance degradation when faced with out-of-distribution (OOD) data. In this paper, we address the challenge of node-level OOD detection in text-attributed graphs, with the goal of maintaining accurate node classification while simultaneously identifying OOD nodes. We propose a novel approach, LLM-Enhanced Energy Contrastive Learning for Out-of-Distribution Detection in Text-Attributed Graphs (LECT), which integrates large language models (LLMs) and energy-based contrastive learning. The proposed method involves generating high-quality OOD samples by leveraging the semantic understanding and contextual knowledge of LLMs to create dependency-aware pseudo-OOD nodes, and applying contrastive learning based on energy functions to distinguish between in-distribution (IND) and OOD nodes. The effectiveness of our method is demonstrated through extensive experiments on six benchmark datasets, where our method consistently outperforms state-of-the-art baselines, achieving both high classification accuracy and robust OOD detection capabilities.
• Abstract（参考訳）: ノードがテキスト属性に富んでいるテキスト分散グラフは、引用やソーシャル、トランザクションネットワークといった現実世界のネットワークをモデリングするための強力なツールになっている。 しかしながら、これらのグラフから学習する既存の方法は、トレーニングデータとテストデータの分布が一貫したものであると仮定することが多い。 この仮定は、アウト・オブ・ディストリビューション(OOD)データに直面すると、パフォーマンスが大幅に低下する。 本稿では,OODノードを同時に識別しながら正確なノード分類を維持することを目的とした,テキスト分散グラフにおけるノードレベルのOOD検出の課題に対処する。 本稿では,大規模言語モデル(LLM)とエネルギーに基づくコントラスト学習を統合したLLM-Enhanced Energy Contrastive Learning for Out-of-Distribution Detection in Text-Attributed Graphs (LECT)を提案する。 提案手法は, LLMのセマンティック理解と文脈知識を活用して, 依存性を意識した擬似OODノードを生成し, エネルギー関数に基づくコントラスト学習を適用して, 分布内ノードとOODノードを区別することにより, 高品質なOODサンプルを生成する。 提案手法の有効性は,6つのベンチマークデータセットを用いた広範囲な実験により実証され,本手法は高い分類精度とロバストなOOD検出能力を達成し,常に最先端のベースラインを上回っている。

関連論文リスト

• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  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。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs [9.174883084149881]
  LG-Plug は TAG OOD 検出タスクのための LLM-Guided Plug-and-play 戦略である。 クラスタ化された反復プロンプトを通じてコンセンサス駆動のOOD露光を生成する。 結果として生じるOOD露光は、IDとOODノードを分離するための正規化用語として機能し、既存の検出器とのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2026-02-12T06:53:35Z)
• Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドアプリケーションにおけるディープラーニングモデルの信頼性を保証するために重要である。 LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。 我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-10-23T02:16:45Z)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Graph Synthetic Out-of-Distribution Exposure with Large Language Models [14.666576854790163]
  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、オープンワールドおよび安全に敏感なアプリケーションにおけるモデルロバスト性を保証するために重要である。 現在のグラフベースの手法は、しばしば実際のOODノードへのアクセスを前提とします。 GOE-LLMは,大規模言語モデル(LLM)を利用して,実際のOODノードを使わずに,テキスト分散グラフ上でのOOD露光を実現するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-29T22:04:30Z)
• Enhancing OOD Detection Using Latent Diffusion [3.4899193297791054]
  Out-of-Distribution(OOD)検出は、現実のシナリオにおけるマシンラーニングモデルの信頼性の高いデプロイに不可欠である。 近年の研究では、安定拡散のような生成モデルを用いて、画素空間の外部値データを合成する方法が検討されている。 我々は,潜伏空間内でOOD学習データを生成する新しいフレームワークであるOutlier-Aware Learning (OAL)を提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:01:43Z)
• 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)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。