动态图学习中的可信预测：置信度预测
机器学习
2025-01-16 v1 社会与信息网络
摘要
许多真实世界系统可建模为动态图，其中节点和边随时间演化，需专门的模型才能有效捕捉其演化动态，尤其在风险敏感的应用中。Temporal graph neural networks (GNNs) 就是此类专门模型。本文首次将拒绝选项策略集成到持续时间动态图的 GNN 框架中，使模型在不确定性高且置信度低时可战略性地中止预测，从而最小化关键误分类的风险，提升结果可靠性。我们提出一种基于覆盖率的中止预测模型，以实现覆盖率受限内的最大化预测。它改进了链接预测和节点分类任务的预测得分。Temporal GNNs 处理极度不平衡的数据用于下一状态预测或节点分类。在类别不平衡情况下，我们的方法可进一步调优，为少数类提供更高权重。在四个动态链接预测数据集和两个动态节点分类数据集上进行了详尽实验，表明该方法在提高动态图场景下预测可靠性及 AUC/AP 分数的有效性。结果凸显了该模型在置信度与覆盖率之间有效权衡能力，使其成为动态且不可确定环境中需高精度的可靠解决方案。
引用
@article{arxiv.2501.08397,
title = {Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning},
author = {Jayadratha Gayen and Himanshu Pal and Naresh Manwani and Charu Sharma},
journal= {arXiv preprint arXiv:2501.08397},
year = {2025}
}