面向图神经网络的条件位移鲁棒保 conformal 预测

图神经网络（GNN）已成为预测图结构数据中结果的强大工具。尽管其有效性显而易见，但GNN的一个重要缺点在于其在提供稳健不确定性估计方面的能力有限，这在错误所带来重大后果的情境下给可靠性带来了挑战。此外，GNN通常在分布内设置下表现突出，假设训练数据和测试数据遵循相同的分布，这一条件在现实世界的图数据情境下往往难以满足。本文利用保 conformal 预测——一种广为人知的用于通过将预测模型输出转化为预测集合来量化不确定性的统计技术——以应对图基半监督学习（SSL）中条件位移\footnote{表示从源域到目标域条件概率分布 $P(label|input)$ 的变化}下的GNN预测不确定性量化。此外，我们提出了旨在通过最小化潜在阶段条件位移来细化模型预测的新型损失函数。我们称之为面向图神经网络的条件位移鲁棒（CondSR）conformal 预测方法。我们的方法具有模型无关性，可适用于各种分类模型。我们在标准图基基准数据集上验证了方法有效性，将其集成到节点分类任务中的最新GNN模型中。全面评估表明，我们的方法在保持任意预定义目标边际覆盖率的前提下，在条件位移下将最先进GNN模型的准确率提升最高可达12%，并将预测集合大小降低最高可达48%。代码实现已公开，可供进一步探索和实验。