NeurIPS 2026 论文提出 DSS-GNN 统一图神经网络不确定性表示
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
被 NeurIPS 2026 接收的论文提出 DSS-GNN，将图神经网络的校准、OOD 检测与分布偏移鲁棒性统一至单一表示。它把不确定节点嵌入建模为随机图信号，用图傅里叶滤波器抓结构变化，正交多项式混沌坐标抓随机变化。其均值系数供能基 OOD 评分，高阶系数供 logit 变化，求积平均定预测分布。独立模式下在 14 个节点分类基准获最低 Brier 分数；混合模式在多数节点 OOD 设定达最佳 AUROC，在 7 个 GOOD 概念偏移基准获最强偏移准确率。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载统一表示的建模方式
现有方法通常用分离的模型与目标处理图神经网络的校准、分布外检测及分布偏移鲁棒性。该研究将不确定节点嵌入当作随机图信号进行建模：利用图傅里叶滤波器捕捉结构变异，同时用标量正交多项式混沌坐标捕捉潜藏的随机变异。由此生成的双重谱随机展开（DSS）能从同一表示中提供与任务匹配的读出结果：均值系数为基于能量的分布外评分编码类别证据，高阶系数编码结构化 logit 变异，而在混沌坐标上的求积平均则定义了用于预测和校准的单一预测分布。
容量定理与部署模式
研究提出了一个容量定理，证明在满秩特征假设下，受限子族能匹配任何高斯潜变量随机图信号的混沌系数，且在增长条件下截断误差呈指数衰减。DSS-GNN 具备两种部署模式：独立运行，或作为确定性编码器旁的残差分支（DSS-Hybrid）。交叉评估表明，两种模式在彼此的任务上依然保持有效性（有记录的例外情况除外），并为实际部署提供了明确指导。
实验表现与基准对比
在无需事后校正的情况下，独立 DSS-GNN 在全部 14 个节点分类基准测试中，于所有对比的不确定性感知基线里取得了最低的 Brier 分数。DSS-Hybrid 则在多数节点分布外设定中达到最佳 AUROC，展现出有竞争力的跨图分布外检测能力，并在标准经验风险最小化下，于全部 7 个 GOOD 概念偏移基准测试中获得了最强的偏移准确率。
为什么值得看
用单一框架同时解决 GNN 的校准、OOD 检测与分布偏移鲁棒性，并在多项基准测试中取得领先表现。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。