可信的图神经网络节点分类方法

摘要

为了研究节点特征表示的不确定性对节点分类的影响，提出一种可信的图神经网络节点分类方法。算法使用径向基函数计算节点间距离，得到各类节点质心后，根据距离分配与未标记节点最近质心的类别标签提高节点分类性能，同时定义未标记节点和质心之间的距离为模型输出的不确定性，并使用梯度惩罚损失加强输入变化的可检测性，可以有效地检测分布外节点样本。在Cora、Citeseer和Pubmed这3个公开网络数据集上的结果表明：模型在分类任务的AUROC指标分别达到81.5%、76.2%和74.6%，在分布外样本检测任务中AUROC指标分别达到83.6%、72.8%和70.6%，证明了所提算法在提高节点分类性能的同时，可以有效检测分布外的节点样本，提高了节点分类的可信性。

关键词

图神经网络 / 节点分类 / 分布外检测 / 不确定性估计 / 梯度惩罚

基金资助

京津冀基础研究合作专项项目（H2021202008）; 中国博士后科学基金面上项目（2022M712370）