迈向 GNN 中精确的预测不确定性：基于拓扑分组策略的 GNN 改进
机器学习
2025-02-25 v2
摘要
近期图神经网络（GNN）的进展凸显了校准模型预测的关键需求，其中邻域预测相似性被认为是关键因素。现有研究表明，具有相似邻域预测相似性的节点通常表现出相似的校准特性。基于这一洞察，近期方法将邻域相似性纳入节点级温度缩放技术中。然而，我们的分析表明，这一假设并不具有普适性。即使邻域相似性相当的节点，其校准误差也可能因置信度水平不同而存在显著差异。这要求重新评估现有的 GNN 校准方法，因为单一统一的方法可能导致次优校准。作为应对，我们引入了 **Simi-Mailbox**，这是一种新颖的方法，它根据邻域相似性及其自身置信度对节点进行分类，而不受邻近性或连通性的影响。我们的方法通过采用*特定分组*的温度缩放实现细粒度校准，每个温度专为解决所属节点的特定误校准水平而定制，而非遵循基于邻域相似性的统一趋势。大量实验证明了我们的 **Simi-Mailbox** 在不同 GNN 架构和多样化数据集上的有效性，与未校准的 GNN 预测相比，误差降低高达 13.79\%。
引用
@article{arxiv.2412.14223,
title = {Towards Precise Prediction Uncertainty in GNNs: Refining GNNs with Topology-grouping Strategy},
author = {Hyunjin Seo and Kyusung Seo and Joonhyung Park and Eunho Yang},
journal= {arXiv preprint arXiv:2412.14223},
year = {2025}
}
备注
Accepted at AAAI 2025