Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs
作者: Yuhan Chen, Yihong Luo, Yifan Song, Pengwen Dai, Jing Tang, Xiaochun Cao
发布时间: 2025-02-27
来源: arxiv
研究方向: 图学习中的节点分布外检测（OOD Detection on Graphs）
主要内容
本文提出了一种新的图能量模型DeGEM，用于解决图学习中的节点分布外检测问题。传统的OOD检测方法主要针对图像数据，假设输入数据是独立同分布的（i.i.d.），而图数据中的节点之间存在依赖关系，导致这些方法无法直接应用于图数据。DeGEM通过解耦图能量模型，将学习过程分为图编码器和能量头两部分，避免了传统方法中的能量传播问题，特别是在异质图（heterophilic graphs）上的性能下降问题。
主要贡献
1. 提出了DeGEM模型，通过解耦图能量模型，避免了传统方法中的能量传播问题，特别是在异质图上的性能下降问题。
2. 首次在异质图和同质图上全面评估了现有的节点OOD检测方法，并提供了详细的性能对比。
3. 通过实验验证了DeGEM在不暴露OOD数据的情况下，显著优于现有的最先进方法，尤其是在异质图上的表现。
研究方法
1. 使用最大似然估计（MLE）训练能量模型（EBM），以增强数据分布建模能力。
2. 引入多跳图编码器（Multi-Hop Graph Encoder）和能量读出（Energy Readout）来增强节点表示学习。
3. 提出条件能量（Conditional Energy）和循环更新（Recurrent Update）机制，进一步提升模型性能。
4. 通过图对比学习（Graph Contrastive Learning, GCL）算法训练图编码器，提取图拓扑信息。
实验结果
实验结果表明，DeGEM在不暴露OOD数据的情况下，显著优于现有的最先进方法。在异质图上，DeGEM的平均AUROC提升了20.29%，在同质图上提升了6.71%。此外，DeGEM在标签有限的情况下仍能保持高性能，优于那些在训练中暴露OOD数据的方法。
未来工作
未来的工作可以进一步优化DeGEM的训练效率，特别是在大规模图上的计算成本。此外，可以探索更多的图对比学习算法，以进一步提升模型的性能。同时，未来的研究可以引入更复杂的图结构数据，以验证DeGEM在不同应用场景中的通用性和鲁棒性。