ترجمه فارسی مقاله HGOE: آشکارسازی داده‌های پرت گراف ترکیبی خارجی و داخلی برای تشخیص خارج از توزیع گراف

چکیده

With the progressive advancements in deep graph learning, out-of-distribution (OOD) detection for graph data has emerged as a critical challenge. While the efficacy of auxiliary datasets in enhancing OOD detection has been extensively studied for image and text data, such approaches have not yet been explored for graph data. Unlike Euclidean data, graph data exhibits greater diversity but lower robustness to perturbations, complicating the integration of outliers. To tackle these challenges, we propose the introduction of textbf{H}ybrid External and Internal textbf{G}raph textbf{O}utlier textbf{E}xposure (HGOE) to improve graph OOD detection performance. Our framework involves using realistic external graph data from various domains and synthesizing internal outliers within ID subgroups to address the poor robustness and presence of OOD samples within the ID class. Furthermore, we develop a boundary-aware OE loss that adaptively assigns weights to outliers, maximizing the use of high-quality OOD samples while minimizing the impact of low-quality ones. Our proposed HGOE framework is model-agnostic and designed to enhance the effectiveness of existing graph OOD detection models. Experimental results demonstrate that our HGOE framework can significantly improve the performance of existing OOD detection models across all 8 real datasets.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت های مترقی در یادگیری نمودار عمیق ، تشخیص خارج از توزیع (OOD) برای داده های نمودار به عنوان یک چالش مهم ظاهر شده است.در حالی که اثربخشی مجموعه داده های کمکی در تقویت تشخیص OOD به طور گسترده برای داده های تصویر و متن مورد مطالعه قرار گرفته است ، چنین رویکردهایی هنوز برای داده های نمودار مورد بررسی قرار نگرفته است.بر خلاف داده های اقلیدسی ، داده های نمودار دارای تنوع بیشتری هستند اما استحکام کمتری نسبت به آشفتگی ها دارند و ادغام محیط زیست را پیچیده می کنند.برای مقابله با این چالش ها ، ما معرفی textbf {h} ybrid خارجی و داخلی textbf {g} raph textbf {o} utlier textbf {e} xposure (hGoe) را برای بهبود عملکرد تشخیص نمودار پیشنهاد می کنیم.چارچوب ما شامل استفاده از داده های نمودار خارجی واقع بینانه از دامنه های مختلف و سنتز کردن فضای داخلی داخلی در زیر گروه های ID برای پرداختن به استحکام ضعیف و حضور نمونه های OOD در کلاس ID است.علاوه بر این ، ما یک از دست دادن OE آگاهی از مرز را ایجاد می کنیم که به طور تطبیقی ​​وزنه ها را به خارج از کشور اختصاص می دهد ، و به حداکثر رساندن استفاده از نمونه های با کیفیت بالا و در عین حال به حداقل رساندن تأثیر نمونه های با کیفیت پایین.چارچوب HGOE پیشنهادی ما مدل-آگنوستیک است و به منظور تقویت اثربخشی مدل های تشخیص نمودار موجود طراحی شده است.نتایج تجربی نشان می دهد که چارچوب HGOE ما می تواند عملکرد مدل های تشخیص OOD موجود را در هر 8 مجموعه داده واقعی بهبود بخشد.