基于秩的保形训练提升图神经网络的可信度
机器学习
2025-01-07 v1 人工智能
摘要
图神经网络(GNN)因其在表示图结构数据方面的巨大潜力而被广泛应用于众多领域。然而,缺乏严格的不确定性估计限制了其在高风险场景中的应用。保形预测(Conformal Prediction, CP)能够利用分类器的概率估计获得预测集,从而以用户指定的概率保证预测集包含真实类别,从而产生具有统计保证的不确定性估计。本文提出一种面向GNN的基于秩的训练中保形预测框架(RCP-GNN),用于在节点分类场景中提供可靠的不确定性估计,以增强GNN的可信度。通过利用分类器输出的秩信息,可以高效地构建具有期望覆盖率的预测集。进一步探索了带有可微基于秩的一致性损失函数的训练中CP策略,以根据网络拓扑信息自适应调整预测集。通过这种方式,预测集的组成能够以联合降低低效性与概率估计误差为目标进行引导。在多个真实世界数据集上的大量实验表明,我们的模型能够实现任意预先设定的目标边际覆盖率,同时显著降低低效性,优于当前最优方法。
引用
@article{arxiv.2501.02767,
title = {Enhancing Trustworthiness of Graph Neural Networks with Rank-Based Conformal Training},
author = {Ting Wang and Zhixin Zhou and Rui Luo},
journal= {arXiv preprint arXiv:2501.02767},
year = {2025}
}
备注
8 pages,2 figures,published to AAAI 2025