Neues Verfahren zur Erkennung von Out-of-Distribution-Beispielen in Graphen

In vielen praktischen Anwendungen treffen Trainings- und Testdaten auf unterschiedliche Verteilungen, was tiefen neuronalen Netzwerken (DNNs) erhebliche Sicherheitsrisiken bereitet. Um diesen Herausforderungen zu begegnen, sind Techniken zur Erkennung von Out-of-Distribution (OOD)-Beispielen unverzichtbar, die bei der Inferenz sofort Alarm schlagen können.

Aktuelle graphbasierte OOD-Methoden bauen meist auf end-to-end Graph Neural Networks (GNNs) auf, die feine In-Distribution (ID)-Muster aus mehreren Perspektiven extrahieren. Da jedoch während des Trainings keine OOD-Daten vorhanden sind, fehlt es an expliziten Supervisionssignalen, was die Leistung dieser Encoder oft einschränkt.

Die neue Methode „Disentangled Graph Prompting“ (DGP) nutzt ein vortrainiertes GNN als Encoder und ergänzt es durch ein Prompting-Paradigma. Dabei werden zwei Prompt-Generatoren entwickelt, die jeweils klassen­spezifische bzw. klassen­agnostische Prompt‑Graphen erzeugen, indem sie die Kantengewichte des Eingangsgraphen anpassen. Zusätzlich werden gezielte Verlustfunktionen eingesetzt, um die Generatoren zu trainieren und triviale Lösungen zu verhindern.

In umfangreichen Experimenten auf zehn unterschiedlichen Datensätzen konnte DGP die beste Basislinie um 3,63 % in Bezug auf die AUC steigern. Ablationsstudien und Hyperparameteranalysen bestätigen die Wirksamkeit des Ansatzes und zeigen, dass die Trennung der Prompt‑Graphen entscheidend für die Leistung ist.

Der komplette Code ist frei verfügbar unter https://github.com/BUPT-GAMMA/DGP.