Incerteza em Redes Neurais de Grafos: Uma Revisão

As Redes Neurais de Grafos (GNNs) têm sido amplamente utilizadas em várias aplicações do mundo real. No entanto, a incerteza preditiva das GNNs, decorrente de diversas fontes, como a aleatoriedade inerente aos dados e erros de treinamento do modelo, pode levar a previsões instáveis e errôneas. Portanto, identificar, quantificar e utilizar a incerteza é essencial para melhorar o desempenho do modelo nas tarefas subsequentes, bem como a confiabilidade das previsões das GNNs. Esta revisão tem como objetivo fornecer uma visão abrangente das GNNs sob a perspectiva da incerteza, com ênfase em sua integração na aprendizagem de grafos. Comparamos e resumimos a teoria e os métodos existentes de incerteza em grafos, junto com as tarefas subsequentes correspondentes. Assim, conectamos a teoria à prática, ao mesmo tempo em que unimos diferentes comunidades de GNN. Além disso, nosso trabalho oferece insights valiosos sobre direções promissoras nesta área.