ICMLMay, 2019

图神经网络是否被误校准？

PDF
TL;DR本文对多个数据集上应用先进的图神经网络（Graph Neural Networks，GNNs）进行校准的实验进行了实证评估，结果表明，GNNs 在一些数据集上可以被校准，但在另一些数据集上却可能出现重大偏差，而且目前先进的校准方法可以提供帮助，但并不能完全解决问题。
graph neural networkscalibrationclassificationempirical evaluationhigh-stakes decision making
发现论文，激发创造
  • 图神经网络为何出现误校准？

    本研究通过系统研究了图神经网络（GNN）节点预测的校准质量，提出了一个名为图注意力温度缩放（GATS）的新的校准方法，该方法使用基于注意力的体系结构进行节点温度缩放，适用于各种图数据集和 GNN 骨干。

    Oct, 2022

  • 自信！通过置信度校准实现值得信赖的图神经网络

    本文提出了一种基于拓扑感知的后处理校准函数的信任度高的 GNN 模型 ——CaGCN，通过学习得到每个节点的校准置信度，进而提高自训练框架中的性能表现。通过实验验证了该模型在置信度和准确性方面的有效性。

    Sep, 2021

  • 图神经网络中的不确定性研究

    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

  • 重新审视现代神经网络的校准

    本文研究了神经网络模型的预测不确定性及其校准问题，并发现不使用卷积层的最新模型的校准性能最好，模型大小和预训练量并不能完全解释这些差异，表明模型架构是影响校准性能的主要因素。

    Jun, 2021

  • 基于课程学习的图神经网络用于不平衡节点分类

    本文提出了一种基于课程学习的图神经网络框架（GNN-CL），包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失，通过动态调整这两个模块的权重实现更好的泛化和判别能力。该框架在多个广泛使用的图数据集上进行评估，结果表明我们的模型始终优于现有最先进的方法。

    Feb, 2022

  • 探索图神经网络的泛化理解

    研究了图神经网络在泛化上的机制，建立了高概率边界和其对泛化差距和梯度的影响，得出结论和实验证据相符的新认识。

    May, 2023

  • In-n-Out: 用于链接预测的图神经网络校准

    深度神经网络的输出通常无法准确反映我们所预测事件的真实概率，而图神经网络在节点级别的分类中显示相反的行为，但在预测链接时，图神经网络通常表现出不同行为。本文提出了 IN-N-OUT 方法，通过对边缘分配真 / 假标签，来改善图神经网络在链接预测中的校准，实验证明其在这一特定任务上明显优于现有的基准方法。

    Mar, 2024

  • 一个图不仅仅是其节点：走向图结构不确定性感知学习

    本文提出新的边度量指标，包括期望校准误差（ECE）和同意 / 不同意 ECE，可用于计算图上的不确定性评估，以提供节点评分之外的观点和洞察力。同时，本文还表明，将其结构化表示问题纳入 GNN 模型中能够更好地估计不确定性，这表明超越节点级别的设定具有重要的益处。

    Oct, 2022

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 解密图神经网络解释

    该研究论文探讨了关于图神经网络（GNNs）在决策过程中透明度不足的问题，并针对生成 GNNs 解释的方法和数据的评估，研究了三个主要领域的普遍问题：（1）合成数据生成过程，（2）评估指标，以及（3）解释的最终呈现。此外，本文进行了一项实证研究，探讨了这些问题的意外后果，并提出了缓解这些问题的建议。

    Nov, 2021