利用置信图神经网络进行图形不确定性量化

May, 2023

利用置信图神经网络进行图形不确定性量化

Uncertainty Quantification over Graph with Conformalized Graph Neural Networks

Kexin Huang, Ying Jin, Emmanuel Candes, Jure Leskovec

TL;DR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。

Abstract

graph neural networks (GNNs) are powerful machine learning prediction models on graph-structured data. However, GNNs lack rigorous uncertainty estimates, limiting their reliable deployment in settings where the c

graph neural networks conformal prediction uncertainty estimates prediction set topology-aware output correction

发现论文，激发创造

图神经网络上的等度连通预测

这篇论文介绍了一种无分布和无模型偏见的不确定性量化方法，用于构建基于 GNN 的链接预测的具有统计保证的预测区间，该方法在遵循幂律分布的图结构上显著提高了基线方法的有效性。

Jun, 2024

图神经网络的条件偏移鲁棒一致性预测

使用符合预测（conformal prediction）技术，此论文提出了一种用于解决图半监督学习中图神经网络（GNN）预测不确定性问题的方法，该方法还引入了一种新的损失函数来优化模型预测，并在标准图基准数据集上进行了验证。

May, 2024

基于传导型图自编码器的拟合装载预测

使用图神经网络 (GNN) 方法进行边权重预测，利用符合性预测调整 GNN 输出并生成有效的预测区间，通过误差重新加权和符合化的分位数回归 (CQR) 处理数据异方差性，与基线技术在真实世界的交通数据集上相比，我们的方法具有更好的覆盖率和效率，展示了鲁棒性和适应性。

Jun, 2024

贝叶斯图神经网络在一致预测中的温度

基于构建有效的置信区间的比例估计后验概率分布的缩放参数的最新研究成果，我们的研究探讨了将温度参数纳入基于 CP 框架的贝叶斯 GNN 中的优势，并通过实验证明了导致更高效的预测集的温度存在，同时分析了导致非效率的因素，并提供了有关 CP 性能和模型校准之间关系的有价值见解。

Oct, 2023

动态 GNN 的有效符合性预测

将展开方法应用于动态图神经网络，扩展了置信度预测的有效性和性能，解决了静态图和转导和半归纳情况下的交换性问题。

May, 2024

ConU: 具有正确性覆盖保证的大型语言模型中的符合不确定性

通过从预测集构建的置信度条件中整合正确性对齐的不确定性准则，本研究在自然语言生成任务中，将确定性预测转化为严格的理论保证，从而解决了最近大型语言模型中的异构不确定性问题，并利用抽样不确定性测量方法提高了先前最先进的方法。通过在模型的非固定答案分布中校准预测集，实现对 6 个大型语言模型在 4 个自由格式的自然语言生成数据集上的正确覆盖率的严格控制，证明了我们的方法在实际开放式自然语言生成应用中提供可靠保证的高效性。

Jun, 2024

通过邻域符合预测改进深度分类器的不确定性量化：新算法和理论分析

本研究提出了一种名为邻域适应序列预测（NCP）的新算法，通过利用神经网络的学习表示来识别给定测试输入的 k 个最近邻校准样例，并根据它们的距离分配重要性权重，创建自适应预测集，从而提高使用 CP 进行深度分类器的不确定性量化的效率。

Mar, 2023

深度学习模型不确定性的置信度量化

本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

Jun, 2023

CF-GNNExplainer：图神经网络的反事实解释

本研究是针对图神经网络中预测的因果性解释提出了一种使用数据扰动来对其进行真伪性检测的方法，我们使用边缘删除的方法，发现我们的方法 CF-GNNExplainer 不仅可以在预测上具有良好的准确性，还可以通过最少的边缘删除来生成因果性解释。

Feb, 2021

基于相似度导航的图神经网络的合规预测

Similarity-Navigated Adaptive Prediction Sets (SNAPS) 是一种基于特征相似性和结构邻域的新算法，通过聚合具有相同标签的节点的不符合性得分来提高预测集的有效性，并在保持有效覆盖的同时增加单例命中率。

May, 2024