变分图卷积神经网络
机器学习
2025-07-03 v1
摘要
模型不确定性估计有助于提高图卷积网络（GCN）的可解释性，同时提高模型的准确率。不确定性还可用于关键应用中，通过专家或额外模型验证模型结果。在本文中，我们提出了空间和时空图卷积网络的变分神经网络版本。我们估计模型输出和层级注意力的不确定性，这有潜力提高模型的可解释性。我们在社交交易分析和基于骨架的人体动作识别任务中展示了这些模型的优势，分别使用芬兰董事会成员名单、NTU-60、NTU-120 和 Kinetics 数据集，其中我们在模型准确率方面取得了改善，同时提供了估计的模型不确定性。
引用
@article{arxiv.2507.01699,
title = {Variational Graph Convolutional Neural Networks},
author = {Illia Oleksiienko and Juho Kanniainen and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2507.01699},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication. 9 pages, 6 figures