图不止于其节点：面向图上的结构化不确定性感知学习
机器学习
2022-10-28 v1 人工智能
机器学习
摘要
当前处理图上节点分类的图神经网络（GNNs）往往只关注节点级分数，并仅以节点级指标进行评估。这限制了对图的不确定性估计，因为节点级边缘分布无法在给定图结构下完整刻画联合分布。本文中，我们提出新颖的边级指标，即边级期望校准误差（ECE）与一致/不一致 ECE，为超出节点级设定的图上不确定性估计提供了准则。我们的实验表明，所提边级指标可补充节点级结果并带来额外洞见。此外，我们展示了考虑图上结构化预测问题的 GNN 模型往往具有更好的不确定性估计，这说明了超越节点级设定的益处。
引用
@article{arxiv.2210.15575,
title = {A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware Learning on Graphs},
author = {Hans Hao-Hsun Hsu and Yuesong Shen and Daniel Cremers},
journal= {arXiv preprint arXiv:2210.15575},
year = {2022}
}
备注
Presented at NeurIPS 2022 New Frontiers in Graph Learning Workshop (NeurIPS GLFrontiers 2022)