面向图上可靠稀有类别分析的个人化校准方法
人工智能
2023-07-20 v1
摘要
稀有类别广泛存在于众多真实世界网络中，并在包括金融欺诈检测、网络入侵检测和罕见疾病诊断在内的各种高风险应用中起着关键作用。稀有类别分析（RCA）指的是在高度不平衡的数据分布中检测、刻画和理解少数类行为的任务。虽然现有 RCA 工作绝大多数聚焦于提升预测性能，但一些基本研究问题迄今很少受到关注且较少被探索：稀有类别分析中的预测模型有多自信或不确定的？我们如何量化学习过程中的不确定性并实现可靠的稀有类别分析？为回答这些问题，我们首先考察现有 RCA 方法中的失校准现象。实证结果表明，最先进的 RCA 方法在预测少数类时主要过于自信，而在预测多数类时不够自信。受此观察启发，我们提出一种新颖的个人化校准框架，名为 CALIRARE，以缓解 RCA 的独特挑战，从而实现可靠的稀有类别分析。具体而言，为量化 RCA 中的不确定性，我们开发了节点级不确定性量化算法来建模具有高不确定性的重叠支撑区域；为处理少数类在失校准计算中的稀有性，我们将基于分布的校准度量推广到实例层面，并提出首个图上个人化校准度量，称为期望个人化校准误差（EICE）。我们在真实世界数据集上进行了广泛的实验评估，包括稀有类别刻画和模型校准任务，证明了我们所提框架的重要性。
引用
@article{arxiv.2307.09858,
title = {Towards Reliable Rare Category Analysis on Graphs via Individual Calibration},
author = {Longfeng Wu and Bowen Lei and Dongkuan Xu and Dawei Zhou},
journal= {arXiv preprint arXiv:2307.09858},
year = {2023}
}