Reti Neurali a Grafo con Insiemi Casuali per la Quantificazione dell'Incertezza
Un nuovo framework chiamato Reti Neurali a Grafo con Insiemi Casuali (RS-GNN) modella l'incertezza epistemica a livello di nodo utilizzando funzioni di credenza. L'approccio affronta l'incertezza aleatoria derivante da dati rumorosi e l'incertezza epistemica derivante dalla mancanza di conoscenza, con l'obiettivo di migliorare le prestazioni delle GNN in applicazioni industriali.
Fatti principali
- La quantificazione dell'incertezza è importante per le Reti Neurali a Grafo (GNN).
- L'incertezza aleatoria deriva da dati stocastici rumorosi e incompleti.
- L'incertezza epistemica deriva dalla mancanza di conoscenza su un sistema o modello.
- L'articolo propone le Reti Neurali a Grafo con Insiemi Casuali (RS-GNN).
- Le RS-GNN utilizzano un head basato su funzioni di credenza per predire un insieme casuale sulle classi.
- Il framework modella l'incertezza epistemica a livello di nodo.
- L'approccio può ridurre l'incertezza epistemica raccogliendo più dati.
- L'articolo è disponibile su arXiv con ID 2605.11987.
Entità
Istituzioni
- arXiv