关于贝叶斯图神经网络在共形预测中的温度参数
机器学习
2023-12-06 v3 机器学习
摘要
图神经网络(GNNs)中准确的不确定性量化至关重要，尤其在频繁使用GNNs的高风险领域。共形预测(CP)通过为任意黑盒模型提供有效的预测集，给出了一个有前景的不确定性量化框架。CP确保形式化的概率保证：预测集以期望概率包含真实标签。然而，预测集的大小（称为低效性）受底层模型与数据生成过程影响。另一方面，贝叶斯学习也基于估计后验分布提供可信区域，但该区域仅当模型设定正确时才是良好校准的。基于近期引入缩放参数以从后验估计构造有效可信区域的工作，本研究探索在CP框架中为贝叶斯GNNs引入温度参数的优势。我们从经验上证明了存在使预测集更高效的温度。此外，我们分析以确定导致低效的因素，并对CP性能与模型校准间关系提供有价值的见解。
引用
@article{arxiv.2310.11479,
title = {On the Temperature of Bayesian Graph Neural Networks for Conformal Prediction},
author = {Seohyeon Cha and Honggu Kang and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2310.11479},
year = {2023}
}