Sei Zuversichtlich! Zu vertrauenswürdigen Graph Neural Networks durch Vertrauenskalibrierung

Trotz der bemerkenswerten Genauigkeit von Graph Neural Networks (GNNs) ist noch unklar, ob die Ergebnisse vertrauenswürdig sind. Frühere Studien legen nahe, dass viele moderne neuronale Netzwerke übermäßig zuversichtlich in ihren Vorhersagen sind. Überraschenderweise entdecken wir jedoch, dass GNNs hauptsächlich in die entgegengesetzte Richtung tendieren, d.h. GNNs sind unterzuversichtlich. Daher ist eine Vertrauenskalibrierung für GNNs sehr erwünscht. In diesem Papier schlagen wir ein neuartiges, vertrauenswürdiges GNN-Modell vor, indem wir eine topologie-sensible nachträgliche Kalibrierungsfunktion entwerfen. Genauer gesagt verifizieren wir zunächst, dass die Vertrauensverteilung in einem Graph die Homophilie-Eigenschaft hat, und diese Erkenntnis inspiriert uns, ein Kalibrierungs-GNN-Modell (CaGCN) zu entwerfen, um die Kalibrierungsfunktion zu lernen. CaGCN kann eine einzigartige Transformation von Logits der GNNs zu dem kalibrierten Vertrauen für jeden Knoten erzielen, während diese Transformation in der Lage ist, die Reihenfolge zwischen den Klassen zu bewahren und die Genauigkeitsbewahrende Eigenschaft zu erfüllen. Darüber hinaus wenden wir das Kalibrierungs-GNN auf ein Selbsttrainingsframework an, das zeigt, dass vertrauenswürdigere Pseudolabels mit dem kalibrierten Vertrauen erhalten werden können, was die Leistung weiter verbessert. Umfassende Experimente zeigen die Effektivität unseres vorgeschlagenen Modells hinsichtlich sowohl Kalibrierung als auch Genauigkeit.