NOAOM：用于鲁棒图异常检测（Out-Of-Distribution，OOD）的近分布边界感知优化模块

《Knowledge-Based Systems》：NOAOM: Near-Out-Of-Distribution Awareness Optimization Module for robust graph OOD detection

　　

严周|王一丽|徐晨|易畅|王欣

摘要

在当前的研究领域中，分布外（OOD）检测和异常检测逐渐引起了广泛关注。各个领域提出了多种有效的OOD检测方法，这些方法主要通过特定技术来准确区分OOD数据和分布内（ID）数据的特征。现有的方法能够轻松识别远离分布范围的样本（far-OOD样本），但在处理接近分布范围的样本（near-OOD样本）时仍存在不足。本文提出了一种新的框架，该框架整合了图神经网络（GNN）编码器、原型生成器以及Near-Out-Of-Distribution Awareness Optimization模块（NOAOM），使得模型能够更好地检测near-OOD特征。我们的NOAOM能够深入学习near-OOD特征，并精确区分near-OOD特征和ID特征。具体而言，在通过GNN编码器和原型生成器得到ID数据特征和原型后，我们定义了Near-OOD特征表示（NFR），并设计了三种损失函数：约束损失用于限制NFR与原型之间的相似性，确保NFR与ID特征之间的适当差异；分离损失旨在增加ID数据特征与NFR之间的特征差异；多样性损失则帮助NFR学习更丰富的near-OOD特征，从而覆盖更多细微的分布变化。最终，NFR与真实的near-OOD数据表现出高度相似性，模型能够有效区分NFR和ID数据特征，显著提升了模型的OOD检测能力。在多个图数据集上的实验结果表明，NOAOM取得了优异的性能，改进了现有的OOD检测和异常检测模型的效果，使得对细微分布偏差的识别更加准确。