图数据上考虑不确定性的半监督学习
机器学习
2020-11-26 v2
摘要
得益于图神经网络(GNNs),半监督节点分类在图数据上已展现出最先进的性能。然而,GNNs尚未考虑与类概率相关的不同类型的不确定性,以最小化现实不确定条件下误分类增加的风险。在本工作中,我们提出一种使用GNN的多源不确定性框架,该框架反映了深度学习与信念/证据理论领域中各类预测不确定性以用于节点分类预测。通过从训练节点的给定标签中收集证据,设计了基于图的核狄利克雷分布估计(GKDE)方法,用于准确预测节点级狄利克雷分布并检测分布外(OOD)节点。基于六个真实网络数据集,我们验证了所提模型在误分类检测和OOD检测方面优于最先进的同类模型。我们发现基于不一致性的检测在误分类检测上效果最好,而基于空洞性的检测在OOD检测上最佳。为阐明结果背后的原因,我们提供了理论证明以解释本工作中考虑的不同类型不确定性之间的关系。
引用
@article{arxiv.2010.12783,
title = {Uncertainty Aware Semi-Supervised Learning on Graph Data},
author = {Xujiang Zhao and Feng Chen and Shu Hu and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2010.12783},
year = {2020}
}
备注
NeurIPS 2020 (Spotlight)