分子图中优化 OOD 检测：利用扩散模型的新方法

Apr, 2024

分子图中优化 OOD 检测：利用扩散模型的新方法

Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models

Xu Shen, Yili Wang, Kaixiong Zhou, Shirui Pan, Xin Wang

TL;DR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。

Abstract

The open-world test dataset is often mixed with out-of-distribution (OOD) samples, where the deployed models will struggle to make accurate predictions. Traditional detection methods need to trade off ood detection and in-distribution (ID) classification performance since they share th

ood detection molecules graph structure similarity metrics prototypical graph reconstruction

发现论文，激发创造

GOOD-D: 无监督图形外分布检测

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。

Nov, 2022

用于识别样本分布外点的似然比

研究讨论了关于基于基因组序列的细菌识别的 out-of-distribution (OOD) inputs 问题，提出了用于深度生成模型的似然比方法来纠正背景统计数据偏差，并在 genomics 数据集上进行了实验。结果表明，我们的方法在 OOD 检测方面取得了最好的性能，并且我们证明了该方法的广泛适用性。

Jun, 2019

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

基于深度度量学习的合成异常暴露的离群分布检测

该研究提出了一种将深度度量学习和扩散模型结合起来的新方法，用于通过合成数据对于分布外（OOD）进行检测，并证明基于度量学习的损失函数优于 softmax，在生成的 OOD 数据上的训练使得模型在传统 OOD 检测指标上表现优于强基线模型。

May, 2024

单一无条件扩散模型的外部分布检测

本文介绍了一种名为 Diffusion Paths（DiffPath）的方法，通过利用一个经过训练的单一扩散模型对无条件生成进行 ODD 检测，并引入了一种测量扩散路径变化率和曲率的新技术。实验表明，DiffPath 在涉及不同分布的各种 ODD 任务中，单一模型的性能优于之前的方法。

May, 2024

梯度正则化的离群样本检测

利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

Apr, 2024

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

利用扩散先验进行外部分布检测

利用扩散模型的生成能力和 CLIP 的强大特征提取能力，我们提出了一种新颖的 OOD 检测方法，通过使用这些特征作为扩散模型的条件输入，我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号，我们的方法不需要类别特定的标记，提高了实用性和可扩展性，且经过多个基准数据集的广泛实验证明了我们方法的鲁棒性和有效性。

Jun, 2024

RetroOOD：理解反合成预测中的外域通用化

机器学习辅助的逆合成预测模型在标准基准测试上取得稳步进展，但在现实世界中应用于非分布（OOD）分子或反应时，其性能往往显著下降。本研究通过建立两组基准数据集，系统比较了先进的逆合成预测模型在分布转移下的性能，并提出了两种模型无关技术，经初步实验显示其有高潜力并平均性能提高 4.6％，从而为进一步面向 OOD 泛化的逆合成预测研究提供了基础。

Dec, 2023

基于直方图和扩散的医疗异常检测

基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

Oct, 2023