基于委托网络的基于委托的图不确定性量化（CUQ-GNN）
机器学习
2024-09-09 v1 机器学习
摘要
本文研究了在图数据上定义有意义预测不确定性时，特定领域特征的影响。此前，已提出称为图后验网络（GPN）的模型，用于对节点分类任务进行不确定性量化。给定图后，GPN 使用正规化流（NFs）独立估计每个节点的类密度，并将这些密度转换为 Dirichlet 伪计数，通过个人化 PageRank 算法将其在图中扩散。GPN 的架构灵感来自一组关于其不确定性估计属性的三个公理。我们指出，这些公理在实际中并不总是满足，因此提出了一族基于委托的图不确定性量化图神经网络（CUQ-GNN），该网络将标准图神经网络与后验网络（PostNets）的 NF-based 不确定性估计相结合。该方法能够更灵活地适应特定领域对不确定性估计属性的需求。我们在常见的节点分类基准测试中将 CUQ-GNN 与 GPN 和其他不确定性量化方法进行比较，结果表明其能够有效地产生有用的不确定性估计。
关键词
引用
@article{arxiv.2409.04159,
title = {CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks},
author = {Clemens Damke and Eyke Hüllermeier},
journal= {arXiv preprint arXiv:2409.04159},
year = {2024}
}
备注
17 pages, 4 figures, 1 table. Accepted at ECML PKDD 2024. arXiv admin note: substantial text overlap with arXiv:2406.04041