共形感知图神经网络
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
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
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
通过两种新方法ECP和EACP,根据基模型在未标记测试数据上的不确定性调整CP中的评分函数,从而仅使用测试域中的未标记数据改进CP生成的预测集的质量。通过对许多大规模数据集和神经网络架构进行广泛实验,我们展示了我们的方法相对于现有基准算法的持续改进,并几乎与监督算法的性能相匹配。
Jun, 2024
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
本研究针对图神经网络在节点分类中无法提供稳健的不确定性估计的问题,提出了一种融合顺应预测的稳健性顺应预测方法(RoCP-GNN)。这一创新方法不仅在图结构数据中提高了预测的可靠性,而且在多种标准图基准数据集上验证了其显著的性能提升。
Aug, 2024