{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,3,28]]，“日期-时间”：“2024-03-28T05:17:06Z”，“时间戳”：1711603026583}，“出版商位置”：“美国纽约州纽约市”，“引用-计数”：63，“出版者”：“ACM”，“资助者”：[{“名称”：“ARC未来奖学金”，“奖项”：[“FT210100097”]}]，“内容域”：{“域”用法：[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2023,2,27]]}，”DOI“：”10.1145\/3539597.3570446“，”type“：”procesedings-article“，”created“：{”date-part“：[2023,2,22]]，“date-time”：“2023-02-2T23:27:00Z”，“timestamp”：167710842000}“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：“Crossref”，“is-referenced-by-count”：10，“title”：[“GOOD-D:On Unsupervised Graph Out-Of-Distribution Detection”]，“prefix”：“10.1145”，”author“：[{”ORCID“：”http://\/ORCID.org\/00000-0002-4309-5076“，”authenticated-ORCID“：false，”given“：“Yixin”，“family”：“Liu”，“sequence”：“first”，“affiliation”：[{“name”：“Monash University，Melbourne，VIC，Australia”}]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-6684-6752”，“authenticated-ORCID”：false，“给定”：“Kaize”，“family”：“Ding”，“sequence”：“additional”，“affiliation”：[{“name”：“Arizona State University，Tempe，AZ，USA”}]}，{《ORCID》：“http://\\ORCID.org\/0001-0002-3264-7904”，“authenticated-ORCID“：false”，“give”：“Huan”，“家族”：“Liu”，“序列“：”附加“，“affiliation”：[{“name”：“Arizona State University，Tempe，AZ，USA”}]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-0794-527X”，“authenticated-ORCID”：false，“given”：”Shirui“，”family“：”Pan“，”sequence“：”additional“，”affiliance“：[{name“：”Griffith University、Gold Coast、SQ、Australia“}]}]，“member”：“320”，“published-on-line”：{“date-parts”：[[2023,2,27]]}，“reference”：[{“key”：“e_1_3_2_1_1”，“doi asserted by”：“publisher”，“doi”：“10.1145\/329600.3290967”}，{“key”：“e_1_3_2_2_1”，“doi asserted by”：“crossref”，“unstructured”：“Markus M Breunig Hans-Peter Kriegel Raymond T Ng and J\u00f6rg Sander.2000。LOF：识别基于密度的局部异常值。在SIGMOD中。93-104.“，”DOI“：”10.1145\/335191.335388“}，{“key”：“e_1_3_2_2_3_1”，“unstructured”：“Ting Chen Simon Kornblith Mohammad Norouzi and Geoffrey Hinton，2020。视觉表征对比学习的简单框架。在ICML中。PMLR 1597--1607.“}，{”key“：”e_1_3_2_2_4_1“，”unstructured“：”Micha\u00ebl Defferrard Xavier Bresson和Pierre Vandergheynst.2016。图上的卷积神经网络，带快速局域谱滤波。“}，{”key“：”e_1_3_2_2_5_1“，”doi-asserted-by“：”crossref“，“unstructured”：“凯泽丁俊东李尼汀·阿加瓦尔，刘欢.2021。属性网络上的感应异常检测。在IJCAI。“，”DOI“：”10.24963\/ijcai.2020 \/179“}，{”key“：”e_1_3_2_2_6_1“，”volume-title“：”属性网络上的深度异常检测“，”author“：”丁开泽“，”unstructured“：”Kaize Ding，Jundong Li，Rohit Bhanushali，and Huan Liu.2019。基于属性网络的深度异常检测。在SDM中。SIAM，594--602.“}，{”key“：”e_1_3_2_2_7_1“，”volume-title“：”在无监督图形对比学习中激发结构和语义全局知识。arXiv预印本arXiv:2202.08480“，”author“：”丁凯泽“，”year“：”2022“，”unstructured“：”丁凯泽、王艳成、杨映珍和刘欢。2022a年。在无监督图形对比学习中激发结构和语义全局知识。arXiv预打印arXiv:22022.08480（2022）。“}，{”key“：”e_1_3_2_8_1“，”volume-title“：”深度图形学习的数据增强：一项调查。arXiv预印本arXiv:22022.08235“，”author“：”丁开泽“，”year“：”2022“，”unstructured“：”Kaize Ding，Zhe Xu，Hanghang Tong，and Huan Liu。2022b.深度图形学习中的数据扩充：一项研究。arXiv:2202.08235（2022）。“}”，{“key”：“”e_1_3_2_2_9_1“，“volume-title”：“基准图神经网络。arXiv预印本arXiv:2003.00982“，“作者”：“Dwivedi Vijay Prakash”，“年份”：“2020”，“非结构化”：“Vijay Plakash Dwivedia，Chaitanya K Joshi，Thomas Laurent，Yoshua Bengio和Xavier Bresson。2020年，基准图神经网络。arXiv预印arXiv:2003.00982（2020）。“}，{”key“：”e_1_3_2_2_10_1“，”volume-title“：”托马斯·劳伦特、约书亚·本吉奥和泽维尔·布列松“，”author“：”德维迪·维杰·普拉卡什“，”year“：”2022“，”unstructured“：”维杰·普拉卡斯·德维迪、安·图安·卢、托马斯·洛朗、约书亚·本吉奥、泽维尔·布列松。2022。具有可学习结构和位置表示的图形神经网络。在ICLR中。“}，{“key”：“e_1_3_2_11_1”，“volume title”：“在分布外图上推广图神经网络。arXiv预印本arXiv:22111.10657”，“author”：“Fan Shaohua”，“year”：“2021”，“nonstructured”：“Fan Shaohua，Xiao Wang，Chuan Shi，Peng Cui，and Bai Wang。2021。图神经网络在分布外图上的推广。arXiv预打印arXiv:2111.10657（2021）。“}，{”key“：”e_1_3_2_2_12_1“，”unstructured“：”Izhak Golan and Ran El-Yaniv.2018。使用几何变换进行深度异常检测。在NeurIPS中。“}，{”key“：”e_1_3_2_2_13_1“，”volume-title“：”NeurIPS“，”卷“：”30“，”author“：”Hamilton Will“，”year“：”2017“，”unstructured“：”Will Hamilton，Zhitao Ying，and Jure Leskovec.2017。大型图的归纳表示学习。在NeurIPS第30卷“}，{“key”：“e_1_3_2_2_14_1”，“unstructured”：“Kaveh Hassani and Amir Hosein Khasahmadi.2020。图的对比多视图表示学习。在ICML中。PMLR 4116--4126.“}，{”key“：”e_1_3_2_2_15_1“，”unstructured“：”开明何浩琪范玉欣吴赛宁谢和罗斯·吉尔希克。2020。无监督视觉表征学习的动量对比。在CVPR中。“}，｛”键“：”e_1_3_2_16_1“，”非结构化“：”Dan Hendrycks和Kevin Gimpel。2017。神经网络中检测误分类和分布外示例的基线。在ICLR中。“}，{”key“：”e_1_3_2_2_17_1“，”first page“：“22118”，”article-title“：”Open graph benchmark:“用于图上机器学习的数据集”，“volume”：“33”，“author”：“Hu Weihua”，“year”：“2020”，“unstructured”：“Weihu，Matthias Fey，Marinka Zitnik，Yuxiao Dong，Hongyu Ren，Bowen Liu，Michele Catasta，and Jure Leskovec.2020。开放图形基准：用于图形机器学习的数据集。在NeurIPS，第33卷。22118--22133.“，”journal-title“：”NeurIPS“}，{“key”：“e_1_3_2_18_1”，“volume-title”：“Kipf and Max Welling”，“author”：“Thomas”，“year”：“2017”，“unstructured”：“托马斯·基普夫和Max Welling.2017”。图卷积网络半监督分类。在ICLR中。}，{“key”：“e_1_3_2_19_1”，“volume-title”：“图的非分布泛化：一项调查。arXiv预印本arXiv:22022.07987”，“author”：“Li Haoyang”，“year”：“2022”，“unstructured”：“Haoyang-Li，Xin Wang，Ziwei Zhang，and Wenwu Zhu.2022。图的分布外泛化：一项调查。arXiv预打印arXiv:22022.07987（2022）。“}，{”key“：”e_1_3_2_2_20_1“，”unstructured“：”Junnan Li Pan Zhou Caiming Xiong and Steven Hoi.2021。无监督表征的原型对比学习。在ICLR中。}，{“key”：“e_1_3_2_21_1”，“非结构化”：“Qingbiao Li Fernando Gama Alejandro Ribeiro and Amanda Prorok.2020。分散多机器人路径规划的图形神经网络。在IROS中。”}，{“键”：“e_1_3_2_22_1”，“非结构化”：“石宇·梁一轩·李和R·斯里坎特。2018。增强神经网络中分布外图像检测的可靠性。在ICLR中。“}，{”key“：”e_1_3_2_23_1“，”volume-title“：”Kai Ming Ting，and Zhi-Hua Zhou“，”author“：”Liu Fei Tony“，”year“：”2008“，”unstructured“：”Fei Tony Liu，Kai Mining Ting，and Zhi-Hhua Zhou。2008。隔离林。在ICDM中。“}，{”key“：”e_1_3_2_24_1“，”volume-title“：”自我监督学习：生成或对比。TKDE“，”author“：”Liu Xiao“，”year“：”2021“，”unstructured“：”Xiao Liu，Fanjin Zhang，Zhenyu Hou，Li Mian，Zhaoyu Wang，Jing Zhang和Jie Tang.2021b.自我监督学习，生成或对比.TKDE（2021）。“}”，{“key”：“e_3_22_25_1”，“volume-title：“图形自主学习：一项调查。TKDE”，“作者”：“刘一新”，“年份”：“2022年”，“非结构化”：“刘一新、金明、潘石蕊、周川、余政、冯霞、余飞利浦。2022a年。图形自主学习：一项调查。蒂克德（2022）。“｝，｛”key“：”e_1_3_2_26_1“，”volume title“：”通过对比自监督学习对属性网络进行异常检测。TNNLS“，”作者“：”刘益新“，”年份“：”2021“，”非结构化“：”刘一新、赵丽、潘石蕊、陈功、周川和乔治·卡里皮斯。2021a年。基于对比自监督学习的属性网络异常检测。TNNLS（2021）。“}，{”key“：”e_1_3_2_27_1“，”doi-asserted-by“：”crossref“，“unstructured”：“一新刘玉正道坤张洪旭陈浩鹏，潘石蕊.2022b.走向无监督的深层图结构学习。在WWW.”中，“doi”：“10.1145\/3485447.3512186”}，”{薛雄、罗家武、阿明、贝赫什蒂、杨宪坤、张元望、单雪。2022.ComGA：社区感知属性图异常检测。在WSDM中。657--665.“}，{“key”：“e_1_3_2_29_1”，“unstructured”：“荣荣马冠松庞凌晨和安东·范登·亨格尔。2022。基于全局知识提取的深度图形级异常检测。在WSDM中。“}，{”key“：”e_1_3_2_2_30_1“，”volume-title“：”JMLR“，“volume”：“2”，“author”：“Manevitz Larry M”，“year”：“2001”，“unstructured”：“Larry M-Manevits and Malik Yousef.2001。用于文档分类的一类SVM。JMLR，第2卷，12月（2001），139--154。“}，{“key”：“e_1_3_2_2_31_1”，“volume-title”：“ICML Workshop”，“author”：“Morris Christopher”，“year”：“2020”，“unstructured”：“Christopher-Morris，Nils M.Kriege，Franka Bause，Kristian Kersting，Petra Mutzel，and Marion Neumann.2020。TUDataset：用于图形学习的基准数据集集合。在ICML研讨会上。“}，{”key“：”e_1_3_2_32_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1007\/s10994-015-5517-9“}“key”：“e_1_ 3_2_33_1”，“doi-assert-by”：“publisher”，”doi:“10.1145\/3394486.3403168”}，“key“:”e_2_2_34_1“，“volume-title”：“NeurIPS”，“volue”：“32”，“author”：“Ren Jie”“，”年份“：”2019年“，”非结构化“：”Jee Ren、Peter J Liu、Emily Fertig、Jasper Snoek、Ryan Poplin、Mark Depristo、Joshua Dillon和Balaji Lakshminarayanan。2019.分布外检测的可能性比。在NeurIPS，第32卷。“}，{“key”：“e_1_3_2_2_35_1”，“volume-title”：“亚历山大·宾德（Alexander Binder）、艾曼纽尔·穆夫克勒（Emmanuel M\u00fcller）和马吕斯·克罗夫特（Marius Kloft.）”，“作者”：“鲁夫·卢卡斯（Ruff Lukas）”、“年份”：“2018年”，“非结构化”：“卢卡斯·鲁夫（Lukas Ruff）、罗伯特·范德梅伦（Robert Vandermeulen）、尼科·戈内茨（Nico Goernitz）、卢卡斯·迪克（Lucas Deecke）、肖艾布。深度一级分类。在ICML中。PMLR，4393--4402.“}，{”key“：”e_1_3_2_2_36_1“，”volume-title“：”使用深度自动编码器网络检测大规模会计数据中的异常。arXiv预印本arXiv:1709.05254“，”author“：”Schreyer Marco“，”year“：”2017“，”unstructured“：”Marco Shreyer、Timur Sattarov、Damian Borth、Andreas Dengel和Bernd Reimer。2017。使用深度自动编码器网络检测大规模会计数据中的异常。arXiv预印arXiv:1709.05254（2017）。“}，{”key“：”e_1_3_2_2_37_1“，”volume-title“：”SSD：自我监督孤立点检测的统一框架。在ICLR中。“，”author“：”Sehwag Vikash“，”year“：”2021“，”unstructured“：”Vikash Sewag，Mung Chiang，and Pratek Mittal.2021。SSD：一个自我监督异常检测的统一框架。在ICLR中。“}，｛”键“：”e_1_3_2_38_1“，”卷标题“：”JMLR“，”卷“：”12“，”作者“：”Shervashidze Nino“，”年份“：”2011“，”非结构化“：”Nino Shervashidze，Pascal Schweitzer，Erik Jan Van Leeuwen，Kurt Mehlhorn，and Karsten M Borgwardt.2011。魏斯费勒-勒曼图核。JMLR，第12卷，第9卷（2011年）。“}，{”key“：”e_1_3_2_2_39_1“，”first page“：“18033”，”article-title“：”Graph posteral network:“节点分类的Bayesian预测不确定性”，“volume”：“34”，“author”：“Stadler Maximilian”，“year”：“2021”，“unstructured”：“Maximilian-Stadler，Bertrand Charpentier，Simon Geisler，Daniel Z\u00fcgner，and Stephan G\u00ffnnemann.2021。图后验网络：节点分类的贝叶斯预测不确定性。在NeruIPS第34卷中。18033--18048.“，”journal-title“：”NeruIPS“}，{”key“：”e_1_3_2_2_40_1“，”unstructured“：”Fan-Yun Sun Jordon Hoffman Vikas Verma and Jian Tang.2020。信息图：通过相互信息最大化的无监督和半监督图级表示学习。在ICLR中。“}，{”key“：”e_1_3_2_2_41_1“，”first page“：“3”，”article-title“：”Fedproto：“跨异构客户端的联合原型学习”，“volume”：“1”，“author”：“Tan Yue”，“year”：“2022”，“unstructured”：“”谭岳、龙国栋、刘璐、周天一、陆庆华、姜靖和张成琦。2022a年。Fedproto：跨异构客户端的联合原型学习。AAAI，第1卷。3.“，”journal-title“：”AAAI“}，”{“key”：“e_1_3_2_2_42_1”，“unstructured”：“月坛国东龙杰马陆刘天一周和靖江.2022b.从预训练模型中联合学习：一种对比学习方法。在NeurIPS中。”}，“key“：”e_1_ 3_2_43_1“，”volume-title：“JMLR”，”volution“：“9”，“author”：“der Maaten Laurens Van”，“year”：“2008”，“非结构化”：“劳伦斯·范·德·马滕和杰弗里·欣顿。2008.使用t-SNE可视化数据。JMLR，第9卷，第11卷（2008年）。“}，{”key“：”e_1_3_2_2_44_1“，”unstructured“：”Petar Velickovic William Fedus William L Hamilton Pietro Li\u00f2 Yoshua Bengio and R Devon Hjelm.2020。深度图形Infomax。。在ICLR中。“}，{”key“：”e_1_3_2_2_45_1“，”unstructured“：”Petar Veli？kovi？Guillem Cucurull Arantxa Casanova Adriana Romero Pietro Li\u00f2和Yoshua Bengio，2018。绘制注意力网络图。在ICLR中。“}，{”key“：”e_1_3_2_2_46_1“，”doi-asserted-by“：”publisher“，“doi”：“10.5555\/1756006.1859891”}，“key”：“e_1_ 3_2_47_1”，“doi-assert-by”：“crossref”，”unstructured“：”Yingheng Wang Yaosen Min Xin Chen and Ji Wu.2021。用于药物相互作用预测的多视图图对比表示学习。在WWW.中，“DOI”：“10.1145\/3442381.3449786”}，{“key”：“e_1_3_2_2_48_1”，“unstructured”：“Felix Wu Amauri Souza Tianyi Zhang Christopher Fifty Tao Yu和Kilian Weinberger.2019。简化图卷积网络。在ICML中。PMLR公司。“}，{”key“：”e_1_3_2_2_49_1“，”unstructured“：”志奋吴同伟建文蒋超杰毛明谦汤，李玉凤.2021。NGC：一个统一的框架，用于学习开放世界的噪音数据。在CVPR中。62--71.“}，{”key“：”e_1_3_2_2_50_1“，”unstructured“：”科尤鲁·许维华·胡·尤尔·莱斯科维奇和斯特凡妮·杰格尔卡，2019。图形神经网络有多强大？。在ICLR中。}，{“key”：“e_1_3_2_2_51_1”，“unstructured”：“嘉轩游雷克斯英和朱尔·莱斯科维奇，2019。位置器皿图形神经网络。在ICML中。PMLR 7134--7143.“}，{“key”：“e_1_3_2_2_52_1”，“首页”：“5812”，“文章标题”：“图形对比学习与增强”，“卷”：“33”，“作者”：“尤云宁”，“年份”：“2020”，“非结构化”：“Youning You，Tianlong Chen，Yongdoo Sui，Ting Chen，Zhangyang Wang，Yang Shen.2020。图形对比学习与增强。在NeurIPS，第33卷。5812-5823.“，”journal-title“：”NeurIPS“}，{“key”：“e_1_3_2_2_53_1”，“volume-title”：“阮国越鸿，张向良”，“author”：“于俊亮”，“year”：“2021”，“unstructured”：“俞俊良，尹洪志，李俊东，王勤勇，阮国越洪，张向亮。2021。用于社会推荐的自我监督多通道超图卷积网络。在第413–424次世界大战中。”}，{“键”：“e_1_3_2_54_1”，“非结构化”：“Hanqing Zeng Hongkuan Zhou Ajitesh Srivastava Rajgopal Kannan和Viktor Prasanna。2020。GraphSAINT：基于图形采样的归纳学习方法。在ICLR中。“}，{”key“：”e_1_3_2_2_55_1“，”volume-title“：”值得信赖的图形神经网络：方面、方法和趋势。arXiv预印本arXiv:2205.07424“，”author“：”Zhang He“，“年份”：“2022”，“非结构化”：“He Zhang，Bang Wu，Xingliang Yuan，Shirrui Pan，Hanghang Tong，and Jian Pei.2022。值得信赖的图形神经网络：方面，方法和趋势。arXiv预打印arXiv:2205.07424（2022）。“}，{”key“：”e_1_3_2_2_56_1“，”volume-title“：”NeurIPS“，”卷“：”31“，”author“：”Zhang Muhan“，“year”：“2018”，”unstructured“：”Muhan Zhang and Yixin Chen.2018。基于图神经网络的链路预测。在NeurIPS，第31卷。“}，{“key”：“e_1_3_2_2_57_1”，“volume-title”：“关于使用分类数据集评估图形异常检测：特殊观察和新见解。大数据”，“作者”：“赵凌霄”，《年份》：“2021年”，“非结构化”：“Zhao凌霄和Leman Akoglu.2021。关于使用分类数据集评估图形异常检测：特殊观察和新见解。大数据（2021）。“}，{“key”：“e_1_3_2_58_1”，“first page”：“12827”，“文章标题”：“图形数据上的不确定性感知半监督学习”，“volume”：“33”，“author”：“Zhao Xujiang”，“year”：“2020”，“nonstructured”：“Xujiang Zhao，Feng Chen，Shu Hu，and Jin Hee Cho.2020。图形数据的不确定性感知半监督学习。在NeurIPS，第33卷。12827--12836.“，”journal-title“：”NeurIPS“}，{“key”：“e_1_3_2_2_59_1”，“doi-asserted-by”：“crossref”，”unstructured“：”新正苗张春阳陈朝杰李传周，潘石蕊.2022b.多关系图神经体系结构搜索与细粒度消息传递。在ICDM中。“，”doi“：”10.1109\/ICDMM54844.2022.00089“}”，{”key“：”e_1_ 3_2_60_1“，“《卷宗》：“余政和菲利普·S·余。“，”作者“：”郑仪珍“，”年份“：”2022“，”非结构化“：”张仪珍、潘石蕊、文森特·李泽楷、于正和菲利普·于斯。2022a年。重新思考和扩大图形对比学习：一种极为有效的群体歧视方法。在NeurIPS中。“}，{”key“：”e_1_3_2_2_61_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Yizhen Zheng Yu Zheng Xiaofei Zhou Chen Gong Vincent Lee and Shirui Pan.2022c.将图形对比学习与灵活的上下文范围相统一。在ICDM中。”，“doi”：“10.1109\/ICDM54844.2022.00090”}，”{“key”：“e_3_2_62_1”，“doi-asserted-by”：“crossref.”，“unstractured”刘文轩、周方玉、陈木豪。2021.预紧变压器的对比失配检测。在EMNLP中。1100-1111.“，“DOI”：“10.18653\/v1\/2021.emnlp-main.84”}，{“key”：“e_1_3_2_2_63_1”，“unstructured”：“燕桥朱一臣徐凤玉强刘树武和王亮。2021。图形对比学习与自适应增强。在WWW.2069--2080.“}]中，“event”：{“name”：“WSDM’23:第十六届ACM网络搜索和数据挖掘国际会议”，“location”：“Singapore Singapore-Spore”，“缩写词”：“WSDM’23”，“赞助商”：[“SIGMOD ACM数据管理特别兴趣小组”，“SIGWEB ACM超文本、超媒体和网络特别兴趣小组“，”SIGKDD ACM数据知识发现特别兴趣小组”，“SIGIR ACM信息检索特别兴趣小组”]]，“容器标题”：[“第十六届ACM网络搜索和数据挖掘国际会议论文集”]，“原标题”：[]，“链接”：[{“URL”：“https:\/\/dl.ACM.org/doi\/pdf\/10.1145\/33539597.3570446”，“内容类型”：“未指定“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,2,27]]，”date-time“：”2024-02-27T11:26:10Z“，”timestamp“：17090331700000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3539597.357046”}}，“subtitle”：[]，“shorttitle”“：[]，”已发布“：{”日期部分“：[2023,2,27]]}，“references-count”：63，“alternative-id”：[“10.1145\/3539597.3570446”，“10.1145\/3539597”]，“URL”：“http://\/dx.doi.org\/10.1145\/35397.46”，“relation”：{}，“subject”：[]，“published”：{“date-parts”：[2023,2,27]]}，”assertion“：[{“value”：“2023-02-27”，“order”：2，“name”：“publisheed”，“label”：“已发布”，“组”：{“名称”：“publication_history”，“标签”：“出版物历史记录”}}]}}