RoCP-GNN：图神经网络节点分类的稳健性顺应预测
本研究设计了一套标准、可重复的基准测试设置，并使用多个小型和中型数据集以及7个不同模型对其进行评估，结果表明模型层数的增加并不总是能提高性能，结合节点2vec和拉普拉斯特征向量的数据增强技术可以有效提高分类任务表现。
Dec, 2020
本文提出了一种基于贝叶斯学习框架嵌入GNN（图神经网络）的不确定性传递方法，通过建模节点预测的后验概率的置信度以及消息的不确定性，实现了有关节点分类的不确定度传递。同时，还提出了一种针对分类的不确定度取向损失函数，使得训练集中可能引入误差的样本可以得到应有的惩罚，最终通过实验结果的比较证明了该方法的优越性。
Apr, 2023
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
我们通过使用图神经网络（GNNs）进行节点表示学习，并结合高斯噪声来保护鲁棒性并减轻过度平滑问题，提出了一种名为Graph Variational Diffusion Network（GVDN）的新型节点编码器。
Dec, 2023
我们提出了一种使用增强学习进行训练的GNN方法，通过移除边和/或节点找出最具预测性的子图，同时优化图分类任务的性能，从而在与基线相竞争的性能下，依赖于更稀疏的子图，从而产生更可解释的基于GNN的预测结果。
Apr, 2024
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
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