May, 2024

图神经网络的条件偏移鲁棒一致性预测

PDF
TL;DR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。
graph neural networksuncertainty estimationconformal predictionconditional shiftsemi-supervised learning
发现论文，激发创造
  • 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

  • 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

  • 解释和适应图形条件平移

    本文研究了图神经网络易受分布变化影响的原因，提出了一种基于条件转移的无监督领域自适应方法，并在合成及实际数据实验中表现出鲁棒性。

    Jun, 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

  • 通过基于物理信息的结构因果模型实现鲁棒的分布偏移下的符合性预测

    通过使用物理信息的结构性因果模型 (PI-SCM) 来减小上界，我们验证了 PI-SCM 在置信水平和测试领域上对交通速度预测任务和多个真实世界数据集上的流行病传播任务的覆盖鲁棒性的提升。

    Mar, 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

  • Shift-Robust GNNs: 克服局部图训练数据的局限性

    本文提出一种称为 Shift-Robust GNN（SR-GNN）的方法，用于解决在真实世界场景下，由于数据获取昂贵和天生偏见而导致的数据采样不均衡问题，SR-GNN 可以适应节点标签采集偏差和数据分布转移等差异，从而实现半监督学习任务中的更好泛化效果。在多个实验中，SR-GNN 在常见 GNN 基准数据集上的表现优于其他 GNN 基线，并成功消除了偏差训练数据引入的至少～40% 的负面影响。

    Aug, 2021

  • 可验证的强健拟合预测

    使用最新的神经网络验证方法，基于 VRCP（可验证鲁棒性适应预测）框架，本文提出了一种新的方法，用于恢复在遭受对抗攻击时的预测覆盖率保证，并支持任意范数的扰动和回归任务，实验结果表明，在图像分类和强化学习环境的回归任务中，VRCP 方法达到了超过标称覆盖率的结果，并且比目前最先进的方法更高效且信息量更丰富。

    May, 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