本研究探讨了图中非独立节点预测的不确定性量化方法，并提出了一种名为图后验网络（GPN）的新模型，该模型采用贝叶斯后验更新技术并在节点分类中表现出优越性能。

Oct, 2021

我们的研究提出了一个不确定性估计框架，可应用于任何泛化图神经网络（GNN）的基础网络上，以提高节点分类性能。该不确定性估计器模型是一个神经网络，将不确定性建模为概率分布而非离散的概率标量值。通过在 $n$ 路 $k$ 样本方式下进行训练，我们的方法在少样本学习设置中提高了分类准确率，而无需特定的元学习架构。在多个数据集和不同 GNN 基础网络上进行的实验证明了不确定性估计器对于带有 GNN 的少样本节点分类的有效性。

Jun, 2024

本篇论文提出了一种基于图神经网络的节点分类不确定性感知学习框架，通过分布鲁棒优化来最小化最坏风险，以更好地在各种噪声情况下实现节点嵌入学习，实验结果表明与现有方法相比，该框架具有更优越的预测表现。

Jun, 2023

本文提出了两种基于图卷积神经网络的主动学习标注节点方法，一种是扩展传统的不确定性度量，另一种是扩展 PageRank 算法。实验证明，当已标记节点数量低且该数量逐渐增加时，后者比所有现有方法更优，而前者是最优的。

Jun, 2019

本文提出了使用 GNN 的多源不确定性框架，反映了深度学习和信念 / 证据理论领域中各种类型的预测不确定性，以进行节点分类预测。该框架通过从训练节点给定标签收集证据，设计了基于图的核狄利克雷分布估计 (GKDE) 方法，准确预测节点级狄利克雷分布，并检测超出分布的节点，该模型在六个真实网络数据集上表现优于现有模型，并提供了理论证明解释此结果背后的原因。

Oct, 2020

通过综述现有的图卷积神经网络预测不确定性理论与方法，以及相关任务，我们主要关注不确定性的集成，这旨在增强模型性能与预测可靠性，从而桥接理论与实践，并连接不同的图卷积神经网络社区，同时为这个领域提供了有价值的研究方向。

Mar, 2024

本文旨在回顾用于标记传播的分类技术，主要包括基于传统分类器迭代应用的图特征方法和通过随机游走传播现有标签的方法，并着重说明两种方法类似之处。此外，我们也讨论了节点分类的相关扩展和方向。

Jan, 2011

本文提出了一种基于贝叶斯学习框架嵌入 GNN（图神经网络）的不确定性传递方法，通过建模节点预测的后验概率的置信度以及消息的不确定性，实现了有关节点分类的不确定度传递。同时，还提出了一种针对分类的不确定度取向损失函数，使得训练集中可能引入误差的样本可以得到应有的惩罚，最终通过实验结果的比较证明了该方法的优越性。

Apr, 2023

通过引入变分贝叶斯神经网络方法，可以提高半监督节点分类任务的不确定性估计和下游性能，并提出一种新的不确定性度量，基于不同正样本的似然差异。

Nov, 2023

本文提出一种贝叶斯图卷积神经网络的框架，用于在图结构数据上进行节点分类和矩阵补全任务，并采用一种迭代学习算法来提高模型性能，并在试验中展示了当训练数据少时，该方法提供更好的性能。

Nov, 2018