基于结构信息随机偏微分方程的图上不确定性估计
计算机视觉与模式识别
2025-06-10 v1
摘要
图神经网络在 diverse network modeling 任务中取得了令人瞩目的成绩，但在图上准确估计不确定性仍然困难，尤其是在分布迁移下。与传统不确定性估计不同，图上的不确定性必须考虑由图的结构及其标签分布引起的随机性，这增加了复杂性。本文通过将驱动 Matern 高斯过程的随机偏微分方程 (SPDE) 的演化与使用 GNN 层的消息传递进行类比，我们提出了一种原则性的方法，用于设计一种集成由高斯过程方法推导的空间-时间噪声所激励的消息传递方案。我们的方法同时捕获空间和时间上的不确定性，并允许对协方差核的平滑度进行显式控制，从而增强了在标签信息量较低和较高时的图上不确定性估计。我们在Out-of-Distribution (OOD) 检测上进行了广泛实验，测试数据集的标签信息量各不相同，结果证明了我们模型的合理性与优越性。
引用
@article{arxiv.2506.06906,
title = {KNN-Defense: Defense against 3D Adversarial Point Clouds using Nearest-Neighbor Search},
author = {Nima Jamali and Matina Mahdizadeh Sani and Hanieh Naderi and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2506.06906},
year = {2025}
}