【KDD2023】分布外图学习

神经网络（GNNs）是执行图上预测任务的最新模型。尽管现有的GNNs在与图相关的各种任务上都表现出色，但在训练和推断过程中图中存在超出分布（OOD）节点的情境却鲜有关注。借鉴计算机视觉和自然语言处理的概念，我们将那些在训练集中未见过的标签的节点定义为OOD节点。由于许多网络都是由程序自动构建的，实际的图经常很嘈杂，并可能包含来自未知分布的节点。在这项工作中，我们定义了包含超出分布节点的图学习问题。具体来说，我们的目标是完成两项任务：1）检测不属于已知分布的节点；2）将其余的节点分类为已知的类别之一。我们证明了图中的连接模式对于异常检测是有信息的，并提出了一种新颖的GNN模型——超出分布的图注意力网络（OODGAT），该模型明确地模拟了不同类型的节点之间的交互，并在特征传播过程中将内群体和异常值分开。大量的实验表明，OODGAT在异常检测方面的表现远超过现有的方法，而在已知分布的分类方面则更好或相当。https://www.zhuanzhi.ai/paper/c0ec56708fbc152f5ba07db943605fbf