論文の概要: Disentangled Graph Prompting for Out-Of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2603.29644v1
• Date: Tue, 31 Mar 2026 12:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.601913
• Title: Disentangled Graph Prompting for Out-Of-Distribution Detection
• Title（参考訳）: オフオフ分布検出のためのディスタングルグラフプロンプト
• Authors: Cheng Yang, Yu Hao, Qi Zhang, Chuan Shi,
• Abstract要約: 本稿では,DGP(Disentangled Graph Prompting)を提案する。 DGPは、IDグラフラベルの助けを借りて、きめ細かいIDパターンをキャプチャする。 最高のグラフOOD検出ベースラインよりも3.63%の相対的なAUC改善を実現している。
• 参考スコア（独自算出の注目度）: 23.671257912188125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When testing data and training data come from different distributions, deep neural networks (DNNs) will face significant safety risks in practical applications. Therefore, out-of-distribution (OOD) detection techniques, which can identify OOD samples at test time and alert the system, are urgently needed. Existing graph OOD detection methods usually characterize fine-grained in-distribution (ID) patterns from multiple perspectives, and train end-to-end graph neural networks (GNNs) for prediction. However, due to the unavailability of OOD data during training, the absence of explicit supervision signals could lead to sub-optimal performance of end-to-end encoders. To address this issue, we follow the pre-training+prompting paradigm to utilize pre-trained GNN encoders, and propose Disentangled Graph Prompting (DGP), to capture fine-grained ID patterns with the help of ID graph labels. Specifically, we design two prompt generators that respectively generate class-specific and class-agnostic prompt graphs by modifying the edge weights of an input graph. We also design several effective losses to train the prompt generators and prevent trivial solutions. We conduct extensive experiments on ten datasets to demonstrate the superiority of our proposed DGP, which achieves a relative AUC improvement of 3.63% over the best graph OOD detection baseline. Ablation studies and hyper-parameter experiments further show the effectiveness of DGP. Code is available at https://github.com/BUPT-GAMMA/DGP.
• Abstract（参考訳）: データをテストし、異なるディストリビューションからデータをトレーニングする場合、ディープニューラルネットワーク(DNN)は、実用的なアプリケーションにおいて重大な安全性のリスクに直面します。 したがって、OODサンプルをテスト時に識別し、システムに警告するアウト・オブ・ディストリビューション(OOD)検出技術が緊急に必要となる。 既存のグラフOOD検出手法は通常、複数の視点から細粒度分布(ID)パターンを特徴付け、予測のためにエンドツーエンドグラフニューラルネットワーク(GNN)を訓練する。 しかし、トレーニング中にOODデータが利用できないため、明示的な監視信号がないため、エンド・ツー・エンド・エンコーダの最適化性能が低下する可能性がある。 この問題に対処するために、事前学習+プロンプティングのパラダイムに従い、事前学習したGNNエンコーダを使用し、IDグラフラベルの助けを借りて細粒度IDパターンをキャプチャするDGPを提案する。 具体的には,入力グラフのエッジ重みを変更することで,クラス固有のプロンプトグラフとクラスに依存しないプロンプトグラフをそれぞれ生成する2つのプロンプトジェネレータを設計する。 我々はまた、プロンプトジェネレータを訓練し、自明な解決策を避けるために、いくつかの効果的な損失を設計する。 提案するDGPの優位性を示すために,10個のデータセットに対して広範な実験を行い,最適なグラフOOD検出ベースラインに対して3.63%のAUC改善を実現した。 アブレーション研究とハイパーパラメータ実験により、さらにDGPの有効性が示された。 コードはhttps://github.com/BUPT-GAMMA/DGPで入手できる。

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)
• 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)
• Exploiting Inter-Sample Information for Long-tailed Out-of-Distribution Detection [7.0229899259286945]
  視覚データセットの長期認識において,サンプル間関係の活用によりOODの検出が大幅に向上することを示す。 提案手法は, FPRとテールクラスIDの分類精度において, 最先端の手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2025-11-20T03:31:37Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• 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)
• 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。