HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection

要約

ディープ グラフ ラーニングの進歩に伴い、グラフ データの分布外 (OOD) 検出が重要な課題として浮上しています。
OOD 検出を強化する補助データセットの有効性は、画像データやテキスト データについては広く研究されていますが、グラフ データについてはそのようなアプローチはまだ検討されていません。
ユークリッド データとは異なり、グラフ データはより多様性を示しますが、摂動に対するロバスト性が低いため、外れ値の統合が複雑になります。
これらの課題に取り組むために、グラフ OOD 検出パフォーマンスを向上させる \textbf{H}ybrid External and Internal \textbf{G}raph \textbf{O}utlier \textbf{E}xposure (HGOE) の導入を提案します。
私たちのフレームワークには、さまざまなドメインからの現実的な外部グラフ データを使用し、ID サブグループ内の内部外れ値を合成して、堅牢性の低さと ID クラス内の OOD サンプルの存在に対処することが含まれます。
さらに、外れ値に適応的に重みを割り当てる境界を意識した OE 損失を開発し、低品質の OOD サンプルの影響を最小限に抑えながら高品質の OOD サンプルを最大限に活用します。
私たちが提案する HGOE フレームワークはモデルに依存せず、既存のグラフ OOD 検出モデルの有効性を高めるように設計されています。
実験結果は、HGOE フレームワークが 8 つの実際のデータセットすべてにわたって既存の OOD 検出モデルのパフォーマンスを大幅に向上できることを示しています。

要約(オリジナル)

With the progressive advancements in deep graph learning, out-of-distribution (OOD) detection for graph data has emerged as a critical challenge. While the efficacy of auxiliary datasets in enhancing OOD detection has been extensively studied for image and text data, such approaches have not yet been explored for graph data. Unlike Euclidean data, graph data exhibits greater diversity but lower robustness to perturbations, complicating the integration of outliers. To tackle these challenges, we propose the introduction of \textbf{H}ybrid External and Internal \textbf{G}raph \textbf{O}utlier \textbf{E}xposure (HGOE) to improve graph OOD detection performance. Our framework involves using realistic external graph data from various domains and synthesizing internal outliers within ID subgroups to address the poor robustness and presence of OOD samples within the ID class. Furthermore, we develop a boundary-aware OE loss that adaptively assigns weights to outliers, maximizing the use of high-quality OOD samples while minimizing the impact of low-quality ones. Our proposed HGOE framework is model-agnostic and designed to enhance the effectiveness of existing graph OOD detection models. Experimental results demonstrate that our HGOE framework can significantly improve the performance of existing OOD detection models across all 8 real datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google