Resumen: Los gráficos con atributos de texto, donde los nodos se enriquecen con atributos textuales, se han convertido en una poderosa herramienta para modelar redes del mundo real, como redes de citas, redes sociales y de transacciones. Sin embargo, los métodos existentes para aprender de estos gráficos a menudo suponen que las distribuciones de los datos de entrenamiento y prueba son consistentes. Esta suposición conduce a una degradación significativa del rendimiento cuando se enfrenta a datos fuera de distribución (OOD). En este artículo, abordamos el desafío de la detección de OOD a nivel de nodo en gráficos de atributos de texto, con el objetivo de mantener una clasificación de nodos precisa y al mismo tiempo identificar nodos OOD. Proponemos un enfoque novedoso, el aprendizaje contrastivo de energía mejorado con LLM para la detección fuera de distribución en gráficos atribuidos a texto (LECT), que integra modelos de lenguaje grandes (LLM) y aprendizaje contrastivo basado en energía. El método propuesto implica generar muestras OOD de alta calidad aprovechando la comprensión semántica y el conocimiento contextual de los LLM para crear pseudonodos OOD conscientes de la dependencia y aplicando aprendizaje contrastivo basado en funciones energéticas para distinguir entre nodos en distribución (IND) y OOD. La eficacia de nuestro método se demuestra a través de extensos experimentos en seis conjuntos de datos de referencia, donde nuestro método supera consistentemente las líneas de base de última generación, logrando una alta precisión de clasificación y capacidades sólidas de detección de OOD.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
