본 논문은 그래프 학습에서의 노드에 대한 Out-of-Distribution (OOD) 검출 문제를 다룬다. 기존 이미지 기반 OOD 검출 방법들이 그래프 데이터의 특징(노드 간 의존성, 이질성 등)을 고려하지 못하는 한계를 지적하며, 특히 기존 최고 성능 모델인 GNNSafe의 두 가지 주요 문제점 (1. 분포 모델링에 특화되지 않은 분류 로짓 기반 에너지 도출, 2. 동질성 가정에 기반한 에너지 전파로 인한 이질적 그래프에서의 성능 저하)을 해결하고자 한다. 이를 위해, 본 논문은 최대우도추정(MLE)을 이용한 에너지 기반 모델(EBM) 학습과 에너지 전파 제거를 제안한다. 그러나 MLE 기반 EBM 학습의 어려움(노드 상호의존성과 이산 그래프 토폴로지로 인한 MCMC 샘플링의 어려움)을 해결하기 위해, 그래프 인코더와 에너지 헤드로 구성된 DeGEM 모델을 제시한다. DeGEM은 학습 과정에서 OOD 데이터를 노출시키지 않고도 기존 최고 성능 모델들을 능가하는 성능을 보이며, 특히 이질적 그래프에서 상당한 성능 향상을 보인다.
