要自信！通过置信度校准迈向可信图神经网络
机器学习
2022-01-05 v3 人工智能
摘要
尽管图神经网络（GNN）取得了显著的准确率，但其结果是否可信仍未被探索。先前的研究表明，许多现代神经网络在预测上过度自信，然而令人惊讶的是，我们发现 GNN 主要表现为相反的方向，即 GNN 欠自信。因此，对 GNN 进行置信度校准是非常需要的。在本文中，我们通过设计拓扑感知的事后校准函数，提出了一种新颖的可信 GNN 模型。具体而言，我们首先验证图中的置信度分布具有同质性，这一发现启发我们设计了一个校准 GNN 模型（CaGCN）来学习校准函数。CaGCN 能够为每个节点获得从 GNN 的 logits 到校准置信度的唯一变换，同时，这种变换能够保持类之间的顺序，满足保精度属性。此外，我们将校准 GNN 应用于自训练框架，表明使用校准后的置信度可以获得更可信的伪标签，并进一步提升性能。大量实验证明了我们提出的模型在校准和准确率方面的有效性。
引用
@article{arxiv.2109.14285,
title = {Be Confident! Towards Trustworthy Graph Neural Networks via Confidence Calibration},
author = {Xiao Wang and Hongrui Liu and Chuan Shi and Cheng Yang},
journal= {arXiv preprint arXiv:2109.14285},
year = {2022}
}
备注
Accepted to NeurIPS 2021