面向图分类的条件预测ROC带
机器学习
2024-10-22 v1 机器学习
摘要
医学影像和药物发现中的图分类需要准确性和鲁棒的不确定性量化。为满足这一需求，我们引入了条件预测ROC（CP-ROC）带，为ROC曲线提供不确定性量化，并增强对测试数据分布偏移的鲁棒性。尽管CP-ROC是为张量化图神经网络（TGNN）开发的，但它适用于一般的图神经网络（GNN）和其他机器学习模型。我们在局部可交换性条件下为CP-ROC建立了统计保证的覆盖范围。这解决了非独立同分布设置下ROC曲线的不确定性挑战，确保了当测试图分布与训练数据不同时的可靠性。在经验上，为了建立TGNN的局部可交换性，我们引入了一种数据驱动的方法来为图构建局部校准集。全面评估表明，CP-ROC在不同任务中显著提高了预测可靠性。该方法提高了ROC曲线不确定性量化的效率和可靠性，对于处理非独立同分布对象的实际应用具有重要价值。
引用
@article{arxiv.2410.15239,
title = {Conditional Prediction ROC Bands for Graph Classification},
author = {Yujia Wu and Bo Yang and Elynn Chen and Yuzhou Chen and Zheshi Zheng},
journal= {arXiv preprint arXiv:2410.15239},
year = {2024}
}