GOOD-D: 无监督图形外分布检测

WSDMNov, 2022

GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection

Yixin Liu, Kaize Ding, Huan Liu, Shirui Pan

TL;DR本研究旨在通过无监督学习的方式，利用图像对 OOD 图像进行检测，提出了一种基于对比学习的 GOOD-D 图像对比学习框架，并使用基于层级对比学习的方法捕捉潜在的 ID 模式，能够在不使用任何 ground truth 标签的情况下准确检测 OOD graphs，并建立了一个综合基准来比较我们的提出的方法和不同的最先进的方法，实验结果证明了我们方法的卓越性。

Abstract

Most existing deep learning models are trained based on the closed-world assumption, where the test data is assumed to be drawn i.i.d. from the same distribution as the training data, known as in-distribution (ID). However, when models are deployed in an open-world scenario, test samples can be out-of-distribution (OOD) and therefore should be handled with c

ood detection graph data augmentation unsupervised learning contrastive learning benchmark

发现论文，激发创造

持续无监督的外部分布检测

不断进行未标注 OOD 检测的新设置，使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数，并设计了一种置信度缩放的少样本 OOD 检测器，大幅改善相关领域的强基准模型。

Jun, 2024

SGOOD：子结构增强的图层级外分布检测

SGOOD 是一种新颖的用于图层次异常检测的框架，通过显式利用亚结构学习强大的表示来实现超越现有方法的卓越性能。

Oct, 2023

GOOD: 一个图形模型的模型外测试基准

本研究旨在开发用于图形的 OOD 基准（称为 GOOD），以区分协变和概念变化并设计准确反映不同变化的数据拆分。在 10 个常用的基线方法上提供性能结果，结果表明在分布内和 OOD 设置之间存在显着性能差距，本基准将不断发展并扩大资源的数量和种类。

Jun, 2022

分子图中优化 OOD 检测：利用扩散模型的新方法

通过采用基于辅助扩散模型的框架，我们提出一种检测异常分子的方法，其中比较输入分子和重构图之间的相似性，并通过生成模型中的迭代去噪过程以有效量化匹配度，构建符合正常分子但远离异常分子的典型图，并使用高效可扩展的异常检测器，比较测试样本与预先构建的典型图之间的相似度并省略每个新分子的生成过程。

Apr, 2024

GOODAT：面向测试时图形外分布检测

该研究介绍了一种名为 GOODAT 的图形局外检测方法，采用一种轻量级图形遮罩技术，通过学习测试样本中的信息子图，能够有效区分局内与局外样本，相较于现有方法具有更好的性能。

Jan, 2024

基于能量的图神经网络异常检测

针对图形数据的 OOD 检测问题，本论文提出了一种基于图神经网络的能量函数的有效 OOD 鉴别器，命名为 GNNSafe，并在模拟和真实数据集上的评估中证明了它的性能优于现有技术。

Feb, 2023

基于不确定性估计视角的图分类中的 OOD 检测

本研究从不确定性估计的角度考虑了图分类的离群检测问题，对几种最近提出的方法进行了比较，发现在离群检测时需要考虑图形表征和预测分类分布。

Jun, 2022

统一无监督图级异常检测和样本外检测：一个基准

构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含 35 个数据集的综合评估框架，为 16 种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。

Jun, 2024

带有非分布节点的图学习

用于图的预测任务的最先进模型为图神经网络 (GNNs)。本文主要研究在训练和推理期间出现了未在训练集中出现的节点的情况下，存在于图中的 out-of-distribution (OOD) 节点。我们提出了 Out-of-Distribution Graph Attention Network (OODGAT)，作为一种新颖的 GNN 模型，通过显式地模型化节点之间的交互，将异常值与正常值分离开来，从而优于现有的异常值检测方法并在内部分布分类方面更好或与之媲美。

Aug, 2023

图上的外域泛化：一份综述

我们综合调查了图形领域中的 ODD 概括率，并详细审查了最近在这个领域取得的进展，然后根据其在图形机器学习流水线中的位置，从数据、模型和学习策略等不同概念上将现有方法分为三类，并对每个类别进行了详细讨论，最后分享了我们对未来研究方向的看法。

Feb, 2022