张量化拓扑神经网络的条件不确定性量化
机器学习
2024-10-22 v1 机器学习
摘要
图神经网络（GNN）已成为分析图结构数据的事实标准，利用消息传递技术捕获结构和节点特征信息。然而，最近的研究对GNN产生的不确定性估计的统计可靠性提出了质疑。本文通过引入一种新技术来解决这一关键挑战，该技术用于量化非可交换图结构数据中的不确定性，同时减少图分类任务中标签预测集的大小。我们提出了基于共形化的张量拓扑神经网络（CF-T2NN），这是一种对图进行严格预测推理的新方法。CF-T2NN采用张量分解和拓扑知识学习来导航和解释决策过程中固有的不确定性。该方法能够更细致地理解和处理预测不确定性，增强了神经网络输出的可靠性和可解释性。我们在10个真实世界数据集上进行的实证验证表明，CF-T2NN在各种图基准测试中优于多种最先进的方法。这项工作不仅为GNN框架增强了鲁棒的不确定性量化能力，还为图结构数据分析的可靠性和精确性树立了新标准。
引用
@article{arxiv.2410.15241,
title = {Conditional Uncertainty Quantification for Tensorized Topological Neural Networks},
author = {Yujia Wu and Bo Yang and Yang Zhao and Elynn Chen and Yuzhou Chen and Zheshi Zheng},
journal= {arXiv preprint arXiv:2410.15241},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2401.12007