可信图神经网络
机器学习
2025-12-03 v1
摘要
不确定性量化对于部署可靠的图神经网络（GNNs）至关重要，现有方法主要依赖贝叶斯推理或集成学习。在本文中，我们首次提出了可信图神经网络（CGNNs），通过训练 GNNs 以可信集（credal sets）的形式输出集合值预测，将可信学习扩展到图领域。为了适应 GNNs 中消息传递的独特性质，我们开发了一种互补的可信学习方法，利用层间信息传播的不同方面。我们在分布外条件下的节点分类中评估了我们的方法。我们的分析强调了图同配性假设在塑造不确定性估计有效性中的关键作用。大量实验表明，CGNNs 在异配图上提供了更可靠的认知不确定性表示，并在分布偏移下达到了最先进的性能。
引用
@article{arxiv.2512.02722,
title = {Credal Graph Neural Networks},
author = {Matteo Tolloso and Davide Bacciu},
journal= {arXiv preprint arXiv:2512.02722},
year = {2025}
}