基于距离正则化改进节点分类的不确定性量化
机器学习
2023-11-13 v1 机器学习
摘要
深度神经网络在过去几十年取得了显著成功，但其校准不良且常产生不可靠预测。大量文献依赖不确定性量化来评估学习模型的可靠性，这对于分布外（OOD）检测与误分类检测应用尤为重要。我们关注相互依赖的节点级分类中的不确定性量化。我们基于图后验网络（GPN）展开分析，该网络优化基于不确定性交叉熵（UCE）的损失函数。我们描述了广泛使用的 UCE 损失的理论局限。为缓解所识别的缺陷，我们提出一种基于距离的正则化，鼓励聚类的 OOD 节点在潜空间中保持聚类。我们在八个标准数据集上进行了广泛对比实验，证明所提正则化在 OOD 检测与误分类检测上均优于当前最优方法。
引用
@article{arxiv.2311.05795,
title = {Improvements on Uncertainty Quantification for Node Classification via Distance-Based Regularization},
author = {Russell Alan Hart and Linlin Yu and Yifei Lou and Feng Chen},
journal= {arXiv preprint arXiv:2311.05795},
year = {2023}
}
备注
Neurips 2023