引入多面体不确定图的图学习
图结构数据中对不确定性进行量化，特别是对（半监督）节点分类中的预测不确定性进行量化的问题已被解决。我们提出了一种新的方法，通过利用图拓扑提供的结构信息，用狄利克雷分布的混合物表示（认识论）不确定性，并引用线性观点汇聚的已建立原理，在邻居节点之间传播信息。我们通过一系列实验在各种图结构数据集上展示了这种方法的有效性。
Jun, 2024
对图形模型中的不确定性进行量化的最新方法进行了概述，并将其组织为不确定性表示和处理方法，以加深对图形模型中不确定性量化方法的理解，从而提高其在关键应用中的效果和安全性。
Apr, 2024
我们介绍了一种从不确定数据中学习线性模型的高效方法，其中不确定性被表示为数据中可能的变化集合，导致预测的多样性。我们的方法利用抽象解释和 zonotopes（一种凸多面体类型）来紧凑地表示这些数据集的变化，从而能够同时对所有可能的世界进行符号执行梯度下降。我们开发了确保该过程收敛到一个固定点的技术，并推导出该固定点的闭合解。我们的方法提供了对所有可能的最优模型和可行预测范围的准确过估计。我们通过理论和实证分析展示了我们方法的有效性，突出了在训练数据中由于数据质量问题而进行模型和预测不确定性推理的潜力。
May, 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
本文提出一种新型的图神经网络框架 UGNN，用于半监督图分类，在有限标注数据和大量未标注数据的情况下，利用子图的视角来充分利用未标注数据，并且通过使用 Sinkhorn-Knopp 算法来学习已知和未知类别的语义原型，并在不同的子图视图下进行大量实验，证明了 UGNN 在不同设定下的有效性。
May, 2023
该论文研究了在不确定性条件下，利用学习增强算法处理排序和超图方向问题，并提出了针对准确和错误预测的性能保证算法，可以通过查询提高不确定性元素的精确度，从而最小化问题求解所需的查询数量。
May, 2023
我们提出了一种针对图学习中的灾难性遗忘问题的方法，在数据从一个图分布过渡到另一个图分布时，通过维持图的局部和全局结构一致性的排练机制来保持对过去任务的知识，并在实际图数据集中与各种持续学习基线进行了性能评测，取得了平均性能和任务遗忘方面的显著改进。
Aug, 2023
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