프롬프트 기반 자기 개선 그래프 OOD 탐지

초록

SIGOOD는 테스트 시점에 그래프 OOD(Out‑of‑Distribution) 탐지를 수행하기 위해 프롬프트를 생성하고, 에너지 기반 손실(EPO loss)로 프롬프트를 반복 최적화하는 자기 개선 프레임워크이다. 프롬프트가 삽입된 그래프에서 에너지 변화를 이용해 OOD 신호를 증폭하고, 이를 통해 기존의 일회성 탐지 방식보다 높은 검출 정확도를 달성한다. 21개의 실세계 데이터셋에서 12개의 최신 방법을 능가한다.

상세 분석

SIGOOD는 기존 테스트‑타임 OOD 탐지 방법이 “한 번의 추론”에 머무는 한계를 극복하고자, 그래프에 동적으로 프롬프트를 삽입해 OOD 신호를 강화하는 자기 개선 루프를 도입한다. 핵심 아이디어는 두 단계로 나뉜다. 첫째, 사전 학습된 GNN으로 입력 그래프 Gₜ의 노드 임베딩 h를 얻고, 경량 3‑layer MLP인 프롬프트 생성기(PG)를 통해 각 노드에 대응하는 프롬프트 Pₘ를 만든다. 여기서 PG는 정규화 파라미터(γ, λ, μ, σ)와 가중치 W₁, W₂, W₃를 학습 가능하게 설계해, 프롬프트가 그래프 구조와 특성에 맞게 조정되도록 한다. 둘째, 프롬프트 Pₘ를 원본 그래프에 element‑wise로 더해 프롬프트‑강화 그래프 Gₚ를 만든다. Gₚ는 OOD 성분에 대해 에너지 스코어가 크게 변하도록 설계된다.

에너지 스코어는 노드‑레벨 로그잇 f(v)∈ℝ²를 사용해 ˆE(v)=−log∑ᵢexp(fᵢ(v)) 로 정의되며, 이는 기존 연구에서 OOD 확률을 추정하는 데 사용된 “음‑로그우도”와 동일하다. SIGOOD는 Gₜ와 Gₚ 각각에 대해 ˆE를 계산하고, ΔEᵥ=logˆE(v;Gₚ)−logˆE(u;Gₜ) 로 노드별 에너지 변화를 측정한다. ΔEᵥ>0인 노드를 OOD 후보, <0인 노드를 ID 후보로 구분하고, 이 정보를 기반으로 Energy Preference Optimization(EPO) 손실을 구성한다.

EPO 손실은 Bradley‑Terry 모델과 KL‑다이버전스를 결합한 형태로, L_EPO=−logσ