图上不确定性量化：基于保形预测的图神经网络
机器学习
2023-11-01 v2 机器学习
摘要
图神经网络（GNNs）是图结构数据上强大的机器学习预测模型。然而，GNNs 缺乏严格的不确定性估计，限制了其在错误代价显著的场景中的可靠部署。我们提出保形化 GNN（CF-GNN），将保形预测（CP）扩展至基于图的模型以获得有保证的不确定性估计。给定图中一个实体，CF-GNN 产生一个预测集/区间，以预定义覆盖概率（如 90%）可证明地包含真实标签。我们建立了使 CP 在图数据上有效的置换不变性条件，并给出了测试时覆盖的精确刻画。此外，除有效覆盖外，为实际应用减小预测集大小/区间长度至关重要。我们观察到非一致性分数与网络结构之间的关键联系，这促使我们开发一种拓扑感知的输出校正模型，学习更新预测并产生更高效的预测集/区间。大量实验表明，CF-GNN 可实现任意预定义目标边际覆盖，同时将预测集/区间大小较基线最多减少 74%。它还在经验上实现了关于各类原始与网络特征的良好条件覆盖。
引用
@article{arxiv.2305.14535,
title = {Uncertainty Quantification over Graph with Conformalized Graph Neural Networks},
author = {Kexin Huang and Ying Jin and Emmanuel Candès and Jure Leskovec},
journal= {arXiv preprint arXiv:2305.14535},
year = {2023}
}
备注
Published at NeurIPS 2023