图神经随机微分方程
机器学习
2023-08-25 v1
摘要
我们提出了一种新颖的模型——图神经随机微分方程（Graph Neural SDEs）。该技术通过利用布朗运动将数据表示中嵌入随机性，从而增强了图神经常微分方程（Graph Neural ODEs）。这一引入使得预测不确定性的评估成为可能，而这是当前模型中常被忽视的关键方面。在我们的框架中，我们重点介绍了隐空间图神经SDE（Latent Graph Neural SDE）变体，展示了其有效性。通过实证研究，我们发现隐空间图神经SDE超越了图卷积网络和图神经ODE等传统模型，尤其在置信度预测方面表现优异，使其在静态和时空语境下的分布外检测处理中具有优势。
引用
@article{arxiv.2308.12316,
title = {Graph Neural Stochastic Differential Equations},
author = {Richard Bergna and Felix Opolka and Pietro Liò and Jose Miguel Hernandez-Lobato},
journal= {arXiv preprint arXiv:2308.12316},
year = {2023}
}
备注
9 main pages, 6 of appendix (15 in total), submitted for the Learning on Graph (LoG) conference