基于残差重加权的图神经网络保守预测
机器学习
2025-06-10 v1 人工智能
机器学习
摘要
图神经网络（GNN）在建模关系数据方面表现优异，但在高风险领域由于不确定性未被量化而面临重大挑战。保守预测（Conformal Prediction, CP）提供了统计覆盖保证，但现有方法常产生过于保守的预测区间，未能考虑图结构的异方差性和结构偏差。虽然残差重加权CP变体方法解决了部分问题，但忽略了图拓扑结构、聚类特定不确定性以及通过重复使用训练集导致的数据泄露风险。为此，我们提出了残差重加权图神经网络（RR-GNN）框架，旨在生成具有可证明边缘覆盖保证的最小预测集。RR-GNN引入三项主要创新以提升预测性能。首先，采用图结构化Mondrian保守预测法，对基于拓扑特征将节点或边划分为社区，确保反映异质性的聚类条件覆盖。其次，采用残差自适应非侵蕴得分法，通过在保留的校准集上训练次级GNN来估计任务特定的残差，从而根据节点或边的不确定性动态调整预测区间。最后，采用交叉训练协议，交替优化主GNN与残差预测器，以防止信息泄露，同时保持图结构依赖关系。我们在15个真实图数据集上对RR-GNN进行了验证，涵盖节点分类、回归和边权预测等多种任务。在与保守预测基线方法比较中，RR-GNN相较于最先进的方法在效率方面取得改进，同时保持覆盖率不变。
引用
@article{arxiv.2506.07854,
title = {Residual Reweighted Conformal Prediction for Graph Neural Networks},
author = {Zheng Zhang and Jie Bao and Zhixin Zhou and Nicolo Colombo and Lixin Cheng and Rui Luo},
journal= {arXiv preprint arXiv:2506.07854},
year = {2025}
}