自信！通过置信度校准实现值得信赖的图神经网络

Sep, 2021

自信！通过置信度校准实现值得信赖的图神经网络

Be Confident! Towards Trustworthy Graph Neural Networks via Confidence Calibration

Xiao Wang, Hongrui Liu, Chuan Shi, Cheng Yang

TL;DR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。

Abstract

Despite graph neural networks (GNNs) have achieved remarkable accuracy, whether the results are trustworthy is still unexplored. Previous studies suggest that many modern neural networks are over-confident on the predictions, however, surprisingly, we discover that GNNs are primarily i

graph neural networks confidence calibration cagcn homophily property self-training framework

发现论文，激发创造

图神经网络是否被误校准？

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。

May, 2019

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

利用置信图神经网络进行图形不确定性量化

本研究提出了一种基于置信度的图神经网络模型 CF-GNN，以保证模型的可靠性，所采用的置信度预测方法即为 conformal prediction，该方法可产生预测区间，该区间内包含了真值标签，该模型通过拓扑感知输出修正模型减少了预测集大小，从而实现了较高的预测精度。

May, 2023

基于因果视角的可信图神经网络调研

在这篇综述中，我们针对当前图神经网络（Graph Neural Networks，GNNs）的信任度问题，介绍了最近关于启发于因果关系的 GNNs 的研究，并提出了基于因果学习能力的 Causality-Inspired GNNs（CIGNNs）的分类和典型方法，以及它们如何缓解信任度风险。我们还总结了有用的资源，并探讨了在这个新兴领域中的几个未来方向，希望能够为新的研究机会提供启示。

Dec, 2023

基于置信度的图卷积网络用于半监督学习

本文提出了 ConfGCN，并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响，从而获得了各向异性的能力，从而在标准基准测试中超过了现有技术水平的基线，以解决基于 GCN 的设置下缺乏置信度评估的问题。

Jan, 2019

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

置信度可能欺骗：在分布偏移情况下对图神经网络进行自我训练

该论文提出了一种新的自我训练方法 (DR-GST)，通过 dropout 变分推理和 dropedge 变分推理来恢复标注数据集的分布，并利用 loss 校正方法来提高伪标签的质量，在五个基准数据集上都取得了良好的效果。

Jan, 2022

值得信赖的图神经网络：方面、方法和趋势

本文提出了一个全面的路线图，从各种涉及的计算技术的角度建立可信任的图神经网络；介绍了可信任的图神经网络的六个方面的基本概念和全面总结了现有的研究，包括鲁棒性、可解释性、隐私、公平性、问责性和环境福祉，并强调了这些方面之间错综复杂的关系；最后，我们对促进可信赖的图神经网络的研究和产业化的趋势进行了全面的概述。

May, 2022

关于可信图神经网络的综合调查：隐私、鲁棒性、公正性和可解释性

本文对图神经网络在隐私、鲁棒性、公平性和可解释性等计算方面进行了全面的调查，为不同方面的值得信任的 GNN 模型提供了发展框架和方法论。

Apr, 2022

SimCalib: 基于节点相似度的图神经网络校准

通过理论分析揭示了图神经网络（GNN）校准与节点相似性之间的关系，并提出了一种新的校准框架 SimCalib，该框架能够考虑全局和局部层面上的节点相似性，实验证明节点相似性与模型校准的改进存在相关性，并通过在 14 个基准测试中达到最先进性能的大量实验，证明了提出的 SimCalib 框架对 GNN 校准的有效性。

Dec, 2023