SAUC：用于图神经网络时空预测的稀疏性感知不确定性校准
机器学习
2024-09-16 v1
摘要
量化不确定性对于实现稳健可靠的预测至关重要。然而，现有的时空深度学习大多侧重于确定性预测，忽视了此类预测中固有的不确定性。特别是，高粒度的时空数据集通常是稀疏的，这给预测和不确定性量化带来了额外的挑战。为解决这些问题，本文引入了一个新颖的事后稀疏性感知不确定性校准 (SAUC) 框架，该框架可校准零值和非零值的不确定性。为开发 SAUC，我们首先在校准前阶段将最先进的确定性时空图神经网络 (ST-GNNs) 修改为概率性网络。然后，我们使用分位数方法对零值和非零值校准概率性 ST-GNNs。通过大量实验，我们证明 SAUC 能有效拟合稀疏数据的方差，并在两个不同粒度的真实世界时空数据集上具有良好的泛化能力。具体而言，我们的实证实验表明，在稀疏的交通事故和城市犯罪预测中，零值项的校准误差降低了 20%。总体而言，这项工作展示了 SAUC 框架的理论和实证价值，从而弥合了不确定性量化与时空预测之间的显著差距。
引用
@article{arxiv.2409.08766,
title = {SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks},
author = {Dingyi Zhuang and Yuheng Bu and Guang Wang and Shenhao Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:2409.08766},
year = {2024}
}
备注
Paper accepted by ACM SIGSPATIAL 2024