미묘함에서 뚜렷함으로: 테스트 타임 그래프 OOD 탐지에서의 프롬프트 기반 자가 개선 최적화

From Subtle to Significant: Prompt-Driven Self-Improving Optimization in Test-Time Graph OOD Detection

그래프 분포 외(OOD) 탐지는 테스트 그래프가 훈련 중 관찰된 그래프의 분포에서 벗어나는지 여부를 식별하는 것을 목표로 하며, 이는 오픈 월드 시나리오에 배포될 때 그래프 신경망(GNN)의 신뢰성을 보장하는 데 필수적이다. 최근 그래프 OOD 탐지의 발전은 잠재적인 감독 정보(예: 훈련 데이터)에 접근하지 않고도 OOD 탐지를 용이하게 하는 테스트 타임 훈련 기술에 초점을 맞추고 있다. 그러나 이러한 방법의 대부분은 단일 패스(one-pass) 추론 패러다임을 채택하여, 잘못된 예측을 점진적으로 수정해 OOD 신호를 증폭시키는 데 한계가 있다. 이를 위해, 우리는 효과적인 그래프 OOD 탐지를 위해 지속적인 자가 학습과 테스트 타임 훈련을 통합한 비지도 프레임워크인 자가 개선 그래프 OOD 탐지기(SIGOOD)를 제안한다. 구체적으로, SIGOOD는 프롬프트를 생성하여 잠재적인 OOD 신호를 증폭시키는 프롬프트 강화 그래프를 구성한다. 프롬프트를 최적화하기 위해, SIGOOD는 원본 테스트 그래프와 프롬프트 강화 그래프 간의 에너지 변화를 활용하는 에너지 선호 최적화(EPO) 손실을 도입한다. 자가 개선 루프 내에서 프롬프트를 탐지 모델에 포함하여 반복적으로 최적화함으로써, 최종적으로 도출된 최적의 프롬프트 강화 그래프가 OOD 탐지에 사용된다. 21개의 실제 데이터셋에 대한 포괄적인 평가를 통해 우리의 SIGOOD 방법의 효과와 우수한 성능을 확인하였다. 코드는 https://github.com/Ee1s/SIGOOD에서 확인할 수 있다.

Graph Out-of-Distribution (OOD) detection aims to identify whether a test graph deviates from the distribution of graphs observed during training, which is critical for ensuring the reliability of Graph Neural Networks (GNNs) when deployed in open-world scenarios. Recent advances in graph OOD detection have focused on test-time training techniques that facilitate OOD detection without accessing potential supervisory information (e.g., training data). However, most of these methods employ a one-pass inference paradigm, which prevents them from progressively correcting erroneous predictions to amplify OOD signals. To this end, we propose a \textbf{S}elf-\textbf{I}mproving \textbf{G}raph \textbf{O}ut-\textbf{o}f-\textbf{D}istribution detector (SIGOOD), which is an unsupervised framework that integrates continuous self-learning with test-time training for effective graph OOD detection. Specifically, SIGOOD generates a prompt to construct a prompt-enhanced graph that amplifies potential OOD signals. To optimize prompts, SIGOOD introduces an Energy Preference Optimization (EPO) loss, which leverages energy variations between the original test graph and the prompt-enhanced graph. By iteratively optimizing the prompt by involving it into the detection model in a self-improving loop, the resulting optimal prompt-enhanced graph is ultimately used for OOD detection. Comprehensive evaluations on 21 real-world datasets confirm the effectiveness and outperformance of our SIGOOD method. The code is at https://github.com/Ee1s/SIGOOD.