論文の概要: What Information Matters? Graph Out-of-Distribution Detection via Tri-Component Information Decomposition
- arxiv url: http://arxiv.org/abs/2605.13032v2
- Date: Thu, 14 May 2026 02:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 15:19:49.911135
- Title: What Information Matters? Graph Out-of-Distribution Detection via Tri-Component Information Decomposition
- Title（参考訳）: 情報とは何か?三成分情報分解による分布検出のグラフ化
- Abstract要約: グラフニューラルネットワークは、ノード分類に広く使用されているが、ノードの特徴やグラフ構造におけるアウト・オブ・ディストリビューション(OOD)シフトに弱いままである。
TIDEは,情報を特徴特化,構造特化,結合コンポーネントに明示的に分解する,斬新で効果的な3成分情報分解フレームワークである。
7つのデータセットにわたる大規模な実験により、TIDEの有効性が確認され、強力なベースラインよりもFPR95が最大34%改善された。
- 参考スコア（独自算出の注目度）: 36.08108046941572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks are widely used for node classification, but they remain vulnerable to out-of-distribution (OOD) shifts in node features and graph structure. Prior work established that methods trained with standard supervised learning (SL) objectives tend to capture spurious signals from either features and/or structure, leaving the model fragile under distributional changes. To address this, we propose TIDE, a novel and effective Tri-Component Information Decomposition framework that explicitly decomposes information into feature-specific, structure-specific and joint components. TIDE aims to preserve only the label-relevant part of the joint information while filtering out spurious feature- and structure-specific information, thereby enhancing the separation between in-distribution (ID) and OOD nodes. Beyond the framework, we provide theoretical and empirical analyses showing that an information bottleneck objective is preferable to standard SL for graph OOD detection, with higher ID confidence and a greater entropy gap between ID and OOD data. Extensive experiments across seven datasets confirm the efficacy of TIDE, achieving up to a 34% improvement in FPR95 over strong baselines while maintaining competitive ID accuracy.
- Abstract（参考訳）: グラフニューラルネットワークは、ノード分類に広く使用されているが、ノードの特徴やグラフ構造におけるアウト・オブ・ディストリビューション(OOD)シフトに弱いままである。
従来の研究は、標準教師あり学習(SL)の目的によって訓練された手法は、特徴や構造から刺激的な信号を捉える傾向があり、そのモデルが分散的な変化の下で脆弱であることを確立していた。
そこで本稿では,TIDEを提案する。TIDEは,情報を特徴固有,構造固有,結合コンポーネントに明示的に分解する,斬新で効果的な3成分情報分解フレームワークである。
TIDEは,突発的な特徴情報と構造固有の情報をフィルタリングしながら,関節情報のラベル関連部分のみを保存することを目的としており,これにより,分布内(ID)ノードとOODノードの分離が促進される。
このフレームワーク以外にも,情報ボトルネックの目的が標準SLよりも優先され,IDの信頼度が高く,IDとOODデータのエントロピーのギャップが大きいことを示す理論的,実証的な分析も提供する。
7つのデータセットにわたる大規模な実験により、TIDEの有効性が確認され、競合IDの精度を維持しながら、強力なベースラインよりも最大34%のFPR95の改善が達成された。
関連論文リスト
- LLM-Enhanced Energy Contrastive Learning for Out-of-Distribution Detection in Text-Attributed Graphs [29.764048070305254]
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。
論文 参考訳（メタデータ） (2026-03-19T02:48:46Z) - 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) - Structural and Statistical Texture Knowledge Distillation and Learning for Segmentation [70.15341084443236]
セマンティックセグメンテーションと関連する知識蒸留タスクのためのディープネットワークにおける低レベルのテクスチャ情報を再強調する。
セグメンテーションのための構造的・統計的テクスチャ知識蒸留(SSTKD)フレームワークを提案する。
特に、低レベルの特徴を分解するためにContourlet Decomposition Module (CDM)が導入されている。
テクスチャ強度等化モジュール(TIEM)は、統計テクスチャ知識を抽出し、強化するために設計されている。
論文 参考訳（メタデータ） (2025-03-11T04:49:25Z) - Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection [11.217628543343855]
グラフニューラルネットワーク(GNN)の信頼性を確保するためには、教師なしのアウト・オブ・ディストリビューション(OOD)検出が不可欠である。
既存の手法は、しばしばグラフ構造における冗長な情報のために、妥協されたパフォーマンスに悩まされる。
構造エントロピーをOOD検出に統合する,教師なしのフレームワークSEGOを提案する。
論文 参考訳（メタデータ） (2025-03-05T07:47:57Z) - HELPNet: Hierarchical Perturbations Consistency and Entropy-guided Ensemble for Scribble Supervised Medical Image Segmentation [4.034121387622003]
本稿では,新しいスクリブルベースの弱教師付きセグメンテーションフレームワークHELPNetを提案する。
HELPNetはアノテーション効率とセグメンテーション性能のギャップを埋めるために3つのモジュールを統合する。
HELPNetは、スクリブルベースの弱教師付きセグメンテーションの最先端手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-12-25T01:52:01Z) - What If the Input is Expanded in OOD Detection? [77.37433624869857]
Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。
In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。
入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
論文 参考訳（メタデータ） (2024-10-24T06:47:28Z) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Out-of-distribution detection based on subspace projection of high-dimensional features output by the last convolutional layer [5.902332693463877]
本稿では,リッチな画像特徴を含む最終畳み込み層によって出力される高次元特徴に焦点をあてる。
我々のキーとなるアイデアは、これらの高次元特徴を2つの特定の特徴部分空間に投影し、事前定義された均一分布クラス Centroids (PEDCC)-Loss で訓練することです。
本手法では,入力前処理や特定のOODデータの事前チューニングの必要性を排除し,分類ネットワークモデルのトレーニングのみを必要とする。
論文 参考訳（メタデータ） (2024-05-02T18:33:02Z) - Structural and Statistical Texture Knowledge Distillation for Semantic Segmentation [72.19108372163868]
セグメンテーションのための構造的・統計的テクスチャ知識蒸留(SSTKD)フレームワークを提案する。
構造的テクスチャ知識のために,低レベルの特徴を分解するContourlet Decomposition Module (CDM)を導入する。
本稿では, 統計的テクスチャ知識を適応的に抽出し, 強化するDenoized Texture Intensity Equalization Module (DTIEM)を提案する。
論文 参考訳（メタデータ） (2023-05-06T06:01:11Z) - 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) - Span Classification with Structured Information for Disfluency Detection
in Spoken Utterances [47.05113261111054]
本稿では,音声音声からテキスト中の不一致を検出する新しいアーキテクチャを提案する。
提案手法は, 広範に使われているイングリッシュスイッチボードを用いて, ディフルエンシ検出の最先端化を実現する。
論文 参考訳（メタデータ） (2022-03-30T03:22:29Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:13:00Z)
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。