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
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
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
本文中,我们提出了一种名为 “Uncertainty-Gated Graph(UGG)” 的图形模型,用于在视频中进行人脸识别并在最近公开的具有挑战性的 Cast Search in Movies 和 IARPA Janus Surveillance Video Benchmark 数据集中达到最新的成果,UGG 可以通过环境连接进行身份传播,并通过适应性地更新边缘门的权重来显式地建模噪声上下文连接的不确定性。
May, 2019
该研究提出了一种基于深度卷积对象检测器的自动驾驶应用程序,该检测器还估计了每个检测到的对象的分类、姿态和形状不确定性。
Jan, 2019
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
通过引入对象关系模块和图神经网络(GNN),从周围建议中提取空间信息并改进 3D 对象检测,该方法在 KITTI 数据集上相较基准方法 PV-RCNN 在简单、中等和困难难度级别的汽车类上分别提升了 0.82%、0.74% 和 0.58%,在中等和困难难度级别的 BEV AP 上优于基准方法超过 1%。
May, 2024
这篇论文提出了一种新的采样免费的不确定性估计方法,称为 CertainNet,旨在为自主驾驶对象检测中的物体性,类别,位置和大小提供分离的不确定性,该方法使用了一个不确定性感知的热图,并利用检测器提供的相邻边界框,同时也提出了一种评估位置和大小不确定性的新指标。
Oct, 2021
本文提出了一种方法,通过考虑地面真实标定数据中的潜在噪声,改善学习概率分布的能力,从而提高自动驾驶探测器的准确性和物体检测性能。
Oct, 2019
AutoGNNUQ 是一种自动化不确定性量化方法,通过生成一组高性能的图神经网络(GNNs)进行分子属性预测,实现对预测的不确定性的估计,并利用方差分解来提供减少不确定性的有价值见解。在多个基准数据集上的计算实验证明,AutoGNNUQ 在预测准确性和不确定性的性能方面优于现有的不确定性量化方法。此外,利用 t-SNE 可视化方法来探索分子特征与不确定性之间的相关性,为数据集的改进提供了见解。AutoGNNUQ 在药物发现和材料科学等领域具有广泛的应用价值。
Jul, 2023