可靠 OOD 泛化的脉冲图预测编码

图为建模 Web 基础关系数据提供了强大的基础，具备表达力强的 GNN 以支持动态 Web 环境中的有效学习。然而，现实部署受阻于普遍的分布外 (OOD) 偏移，其中不断变化的用户活动和内容语义改变特征分布和标记标准。这类偏移常导致预测不稳定或过于自信，削弱了 Web4Good 应用所需的可信度。实现可靠的 OOD 泛化需要原则性且可解释的不确定性估计；然而，现有方法大多是事后处理，对分布偏移不敏感，无法在高风险情境中解释不确定性来源。为克服这些限制，我们引入 SpIking GrapH predicTive coding (SIGHT)，一种用于可靠 OOD 泛化的不确定性感知插拔式图学习模块。SIGHT 在脉冲图状态上执行迭代、基于错误的校正，使模型能够暴露内部不匹配信号，以揭示预测何时变得不可靠。在多个图基准和多样化 OOD 场景中，SIGHT 始终通过与 GNN 集成来增强预测准确率、不确定性估计和可解释性。