面向图神经网络的相似度导航保守预测
机器学习
2025-01-07 v2
摘要
图神经网络在半监督节点分类任务中取得了显著的准确率。然而，这些结果缺乏可靠的不确定性估计。保守预测方法为节点分类任务提供了理论保证，确保保守预测集包含目标标签的概率达到预期值（例如95%）。本文我们经验性地表明，对每个节点，聚合具有相同标签的节点节点的非一致性得分可以提高保守预测集的效率，同时保持有效的边际覆盖。在此基础上，我们提出一种名为相似度导航自适应预测集（SNAPS）的新算法，该算法基于特征相似性和结构邻域聚合非一致性得分。SNAPS的关键思想是：具有高特征相似性或直接连接的节点倾向于具有相同标签。通过包含自适应相似节点信息，SNAPS可以生成紧凑的预测集并提高单例命中率（大小为1的正确预测集）。此外，我们在理论上提供了SNAPS的有限样本覆盖保证。大量实验表明，SNAPS的优越性体现在提高了预测集的效率和单例命中率的同时保持了有效的覆盖。
引用
@article{arxiv.2405.14303,
title = {Similarity-Navigated Conformal Prediction for Graph Neural Networks},
author = {Jianqing Song and Jianguo Huang and Wenyu Jiang and Baoming Zhang and Shuangjie Li and Chongjun Wang},
journal= {arXiv preprint arXiv:2405.14303},
year = {2025}
}
备注
Accepted by NeurIPS 2024