基于能量的图神经网络认知不确定性
机器学习
2025-02-28 v3 机器学习
摘要
在具有相互依赖数据的领域（如图），量化图神经网络（GNN）的认知不确定性具有挑战性，因为不确定性可能出现在不同的结构尺度上。现有技术忽略了这个问题，或者仅区分结构感知和结构无关的不确定性，而没有将它们结合成一个单一的度量。我们提出GEBM，一种基于能量的模型（EBM），通过聚合来自图扩散自然产生的不同结构水平的能量，提供高质量的不确定性估计。与基于logit的EBM相比，我们通过正则化能量函数，在数据空间中可证明地诱导出一个可积密度。我们引入了EBM的证据解释，显著提高了GNN的预测鲁棒性。我们的框架是一种简单有效的后处理方法，适用于任何预训练的GNN，对各种分布偏移敏感。它在7种异常类型中的6种上一致地实现了分布内和分布外数据的最佳分离，同时在所有数据集上的偏移中具有最佳平均排名。
引用
@article{arxiv.2406.04043,
title = {Energy-based Epistemic Uncertainty for Graph Neural Networks},
author = {Dominik Fuchsgruber and Tom Wollschläger and Stephan Günnemann},
journal= {arXiv preprint arXiv:2406.04043},
year = {2025}
}