QpiGNN: Quantificazione dell'Incertezza Senza Quantili per Reti Neurali su Grafi
I ricercatori hanno introdotto QpiGNN (Quantile-free Prediction Interval GNN), un framework per la quantificazione dell'incertezza nelle reti neurali su grafi (GNN). Utilizza un'architettura a doppia testa per separare previsione e incertezza, addestrata con supervisione solo sulle etichette tramite una funzione di perdita congiunta senza quantili. QpiGNN ottimizza direttamente copertura e ampiezza dell'intervallo senza richiedere input di quantili o calibrazione post-hoc, affrontando problemi come il ricampionamento costoso e forti assunzioni come la scambiabilità. Il metodo fornisce garanzie teoriche di copertura asintotica e ampiezza quasi ottimale, consentendo un addestramento efficiente e intervalli di previsione robusti per domini ad alto rischio.
Fatti principali
- QpiGNN è un framework per la quantificazione dell'incertezza nelle GNN.
- Utilizza un'architettura a doppia testa per separare previsione e incertezza.
- L'addestramento usa supervisione solo sulle etichette con una funzione di perdita congiunta senza quantili.
- Ottimizza direttamente copertura e ampiezza dell'intervallo senza input di quantili.
- Non richiede calibrazione post-hoc o ricampionamento.
- Affronta forti assunzioni come la scambiabilità nel message passing.
- Fornisce garanzie teoriche di copertura asintotica e ampiezza quasi ottimale.
- Mirato a domini ad alto rischio che richiedono una quantificazione affidabile dell'incertezza.
Entità
—