JuryGCN：量化图卷积网络上的刀切法不确定性
机器学习
2022-10-13 v1 人工智能
社会与信息网络
摘要
图卷积网络（GCN）在许多真实世界应用中展现出强劲的经验性能。现有 GCN 工作绝大多数聚焦于准确率，而忽略 GCN 对其预测有多置信或不确定。尽管不确定性量化是可信图挖掘的基石，GCN 上的不确定性量化尚未被充分研究，现有稀少努力要么无法提供确定性量化，要么不得不通过引入额外参数或架构改变 GCN 的训练过程。本文提出首个基于频率学派的方法 JuryGCN 来量化 GCN 的不确定性，其关键思想是通过刀切估计器将节点的不确定性量化为置信区间的宽度。此外，我们利用影响函数估计 GCN 参数的变化而无需重训练，以扩展计算规模。所提 JuryGCN 能够确定性地量化不确定性，且无需修改 GCN 架构或引入额外参数。我们在主动学习与半监督节点分类任务上的真实数据集进行了广泛实验评估，证明了所提方法的有效性。
引用
@article{arxiv.2210.05959,
title = {JuryGCN: Quantifying Jackknife Uncertainty on Graph Convolutional Networks},
author = {Jian Kang and Qinghai Zhou and Hanghang Tong},
journal= {arXiv preprint arXiv:2210.05959},
year = {2022}
}
备注
Accepted to KDD'22