图神经网络的 conformalized 链接预测

图神经网络 (GNN) 在 diverse 任务中表现出色，但其在 high-stakes 领域的应用常常受到不可靠预测的制约。尽管提出了许多 uncertainty quantification 方法来解决这一限制，但它们往往缺乏 \textit{严格} 的不确定性估计。本工作首次尝试引入一种分布自由且与模型无关的不确定性量化方法，用于构建 GNN 基于链接预测的预测区间，具有统计保证。我们将其称为 \textit{conformalized link prediction}。我们的方法建立在 conformal prediction (CP) 之上，这一框架承诺构建统计上稳健的预测集合或区间。我们首先在链接预测任务中建立 CP 的 permutation 不变性条件，以及 exact test-time coverage。借助图中重要的结构信息，我们 then 识别到图遵循幂律分布与 CP 效率之间的一种新颖且关键的联系。这一洞察导致开发一种简单而有效的基于抽样的方法，在标准 CP 程序之前将图结构与幂律分布先验一致。广泛的实验表明，对于 conformalized 链接预测，我们的方法在实现所需的边际覆盖率的同时，显著改善了 CP 相对于基线方法的效率。