이 연구는 학습·테스트 분포가 같다는 기존 가정을 깨고, 노드 분류 정확도와 OOD 탐지를 동시에 챙기려는 접근이에요

텍스트 속성이 있는 그래프에서 OOD 노드를 잡아내는 새 방법 LECT가 나왔고, 6개 벤치마크에서 SOTA를 일관되게 넘어섰어요.

이 연구는 학습·테스트 분포가 같다는 기존 가정을 깨고, 노드 분류 정확도와 OOD 탐지를 동시에 챙기려는 접근이에요. 대상은 인용·소셜·거래 네트워크 같은 text-attributed graph거든요.

핵심은 LLM으로 의존성까지 반영한 pseudo-OOD 노드를 만들고, 에너지 기반 대조학습으로 IND/OOD를 분리하는 구조예요. 의미 이해는 LLM이, 경계 학습은 energy contrastive가 맡는 조합이에요.

arXiv:2603.20293로 2026년 3월 19일 공개됐고 AAAI 2026 코멘트가 달렸어요. 그래프 AI도 이제 “정확도”만이 아니라 분포 변화에 버티는 강건성이 승부처라는 신호예요.