面向时序图神经网络的不可交换保形预测
机器学习
2025-07-04 v1
摘要
图神经网络（GNN）的保形预测提供了一个量化不确定性的有前景的框架，增强了 GNN 在高风险应用中的可靠性。然而，现有方法主要关注静态图，忽略了现实世界图的演化特性。图结构、节点属性和真实标签中的时序依赖性违反了标准保形预测方法的基本可交换性假设，限制了其适用性。为了应对这些挑战，本文引入了 NCPNET，一种专为时序图定制的新型端到端保形预测框架。我们的方法将保形预测扩展到动态场景，减轻了由时序依赖性引起的统计覆盖违规。为此，我们提出了一种基于扩散的非一致性得分，捕捉演化网络内的拓扑和时序不确定性。此外，我们开发了一种效率感知优化算法，改进了保形预测过程，提高了计算效率并减少了覆盖违规。在包括 WIKI、REDDIT、DBLP 和 IBM 反洗钱数据集在内的多样化真实世界时序图上的大量实验表明，NCPNET 能够确保时序图中的保证覆盖率，在 WIKI 数据集上预测集大小最多减少 31%，与 SOTA 方法相比显著提高了效率。我们的数据和代码可在 https://github.com/ODYSSEYWT/NCPNET 获取。
引用
@article{arxiv.2507.02151,
title = {Non-exchangeable Conformal Prediction for Temporal Graph Neural Networks},
author = {Tuo Wang and Jian Kang and Yujun Yan and Adithya Kulkarni and Dawei Zhou},
journal= {arXiv preprint arXiv:2507.02151},
year = {2025}
}
备注
accepted by KDD 2025