基于信息论视角的异配图不确定性估计
机器学习
2026-05-12 v2 社会与信息网络
摘要
虽然图上的不确定性估计近期获得了关注，但大多数方法依赖于同配性，并在异配设置中性能下降。我们通过从信息论角度分析消息传递神经网络并开发一个合适的数据处理不等式类比来量化模型各层的信息，从而解决了这个问题。与非图领域不同，如果节点的特征与其邻居在语义上不同，则关于节点级预测目标的信息可以随模型深度而增加。因此，在异配图上，消息传递神经网络（MPNN）的潜在嵌入各自提供了关于数据分布的不同信息——这与同配设置不同。这揭示了同时考虑所有节点表示是超越同配性的图认知不确定性估计的关键设计原则。我们通过在联合节点嵌入空间上使用一个简单的事后密度估计器在经验上证实了这一点，该估计器在异配图上提供了 SOTA 的不确定性。同时，它在同配图上匹配了先前的工作，而无需通过后处理显式利用同配性。
引用
@article{arxiv.2505.22152,
title = {Uncertainty Estimation for Heterophilic Graphs Through the Lens of Information Theory},
author = {Dominik Fuchsgruber and Tom Wollschläger and Johannes Bordne and Stephan Günnemann},
journal= {arXiv preprint arXiv:2505.22152},
year = {2026}
}