arXiv 审计 UB-GOLD 图异常检测基准，发现测试标签泄漏
原文标题：What Remains Without Test Labels? Re-evaluating a Graph-Level Anomaly Detection Benchmark
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究审计 UB-GOLD 与 14 个图级异常检测代码库，发现 UB-GOLD 共享训练循环用测试标签选检查点，14 个代码库中有 8 个存在同类问题。按测试 AUROC 选检查点平均虚增 5.12 个 AUROC 点，作者建议主结果应采用无测试标签的选择方式并公开逐次运行输出。
- 问题
- 图级异常检测基准 UB-GOLD 及多个代码库可能用测试标签做模型选择。
- 方法
- 审计 UB-GOLD 与 14 个代码库，在有无测试标签的选择规则下重跑 21 个检测器。
- 结果
- 按测试 AUROC 选检查点平均虚增 5.12 个 AUROC 点；14 个代码库中 8 个存在同类问题。
- 影响
- 引用图异常检测结果时需警惕标签泄漏，应要求无测试标签的检查点选择与逐次运行输出。
深读 · 结论先行AI 生成展开看要点与影响 ↓
审计发现UB-GOLD用测试标签选检查点，平均虚增5.12个AUROC点
- •审计UB-GOLD及14个图级异常检测代码库，重跑21个检测器
- •UB-GOLD共享训练循环用测试标签选检查点，14个代码库中8个存在同类问题（选检查点或超参）
- •按测试AUROC选检查点，对12个UB-GOLD检测器平均虚增5.12个AUROC点，相对留出正常图选点虚增4.13点
- •置换分析显示：即使没有真正更好的检查点，从噪声测试评估中挑最优也能获得超过实际增益一半的虚增
- •用测试标签调参的配置再比仓库默认高1.53点；作者建议主结果采用无测试标签的选择方式并公开逐次运行输出
为什么重要：图异常检测基准的排名可能被测试标签泄漏系统性抬高，引用UB-GOLD结果的后续论文与做基准对比的研究者需重新核对结论。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。