不确定性感知的图神经网络：多跳证据融合方法
机器学习
2025-06-17 v1
摘要
图神经网络（GNN）在图表示学习中通过整合图结构和节点特征而卓越表现。然而，现有的GNN未能考虑模型深度导致的类别概率不确定性，导致在实际场景中预测不可靠且风险高。为弥合这一差距，本文提出一种新颖的证据融合图神经网络（Evidence Fusing Graph Neural Network, 简称EFGNN），以实现可信预测、提升节点分类准确率，并明确表达错误预测的风险。具体而言，我们将证据理论与基于多跳传播的GNN架构相结合，考虑多尺度感受场，量化每个节点的预测不确定性。此外，开发了无参数的累积信念融合（CBF）机制，利用预测不确定性的变化融合证据，以提升最终预测的可信度。为有效优化EFGNN模型，我们仔细设计了由证据交叉熵、离散系数和虚假自信惩罚组成的联合学习目标。实验结果及理论分析表明，所提模型在准确性、可信度及抗攻击鲁棒性方面均表现优异。EFGNN的源代码已公开于https://github.com/Shiy-Li/EFGNN。
引用
@article{arxiv.2506.13083,
title = {Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach},
author = {Qingfeng Chen and Shiyuan Li and Yixin Liu and Shirui Pan and Geoffrey I. Webb and Shichao Zhang},
journal= {arXiv preprint arXiv:2506.13083},
year = {2025}
}
备注
Accepted by TNNLS