为图结构数据绘制人物轮廓：基于实例的图数据分层框架
机器学习
2025-09-16 v1
摘要
图机器学习模型往往在整体性能上相似，却在节点层面行为差异显著，对不同子集节点的失效可靠性各异。标准评估指标如准确率掩盖了这些细粒度差异，使难以诊断模型何时何处失效。我们引入NodePro，一种节点分层框架，通过为单个节点分配可解释的分层得分实现对模型行为的细粒度诊断。这些得分结合数据层面的信号（如特征不相似性、标签不确定性和结构模糊性）与模型层面的预测置信度和训练期间一致性。通过将模型行为与这些分层对齐，NodePro揭示即使在聚合指标不可区分时，模型之间系统性差异。我们展示节点分层可推广至未见节点，支持在无真实标签下进行预测可靠性评估。最后，我们在结构知识图谱中演示NodePro用于识别语义不一致或损坏节点，说明其在实际场景中的有效性。
引用
@article{arxiv.2509.12094,
title = {Draw a Portrait of Your Graph Data: An Instance-Level Profiling Framework for Graph-Structured Data},
author = {Tianqi Zhao and Russa Biswas and Megha Khosla},
journal= {arXiv preprint arXiv:2509.12094},
year = {2025}
}