SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks

要約

不確実性を定量化することは、堅牢で信頼性の高い予測を実現するために非常に重要です。
しかし、既存の時空間深層学習は主に決定論的な予測に焦点を当てており、そのような予測に固有の不確実性が見落とされています。
特に、粒度の高い時空間データセットはまばらであることが多く、予測や不確実性の定量化においてさらなる課題が生じています。
これらの問題に対処するために、この論文では、ゼロ値と非ゼロ値の両方の不確実性を校正する、新しいポストホック スパーシティ認識不確実性校正 (SAUC) フレームワークを紹介します。
SAUC を開発するには、まず、事前校正フェーズで最先端の決定論的時空間グラフ ニューラル ネットワーク (ST-GNN) を確率論的グラフ ニューラル ネットワークに変更します。
次に、分位点アプローチを使用して、確率的 ST-GNN のゼロ値と非ゼロ値を校正します。広範な実験を通じて、SAUC がスパース データの分散に効果的に適合し、さまざまな粒度で 2 つの現実世界の時空間データセットにわたって一般化できることを実証しました。
具体的には、私たちの実証実験では、まばらな交通事故と都市犯罪の予測においてゼロエントリの校正誤差が 20\% 減少することが示されています。
全体として、この研究は SAUC フレームワークの理論的および経験的価値を実証し、不確実性の定量化と時空間予測の間の大きなギャップを橋渡しします。

要約(オリジナル)

Quantifying uncertainty is crucial for robust and reliable predictions. However, existing spatiotemporal deep learning mostly focuses on deterministic prediction, overlooking the inherent uncertainty in such prediction. Particularly, highly-granular spatiotemporal datasets are often sparse, posing extra challenges in prediction and uncertainty quantification. To address these issues, this paper introduces a novel post-hoc Sparsity-awar Uncertainty Calibration (SAUC) framework, which calibrates uncertainty in both zero and non-zero values. To develop SAUC, we firstly modify the state-of-the-art deterministic spatiotemporal Graph Neural Networks (ST-GNNs) to probabilistic ones in the pre-calibration phase. Then we calibrate the probabilistic ST-GNNs for zero and non-zero values using quantile approaches.Through extensive experiments, we demonstrate that SAUC can effectively fit the variance of sparse data and generalize across two real-world spatiotemporal datasets at various granularities. Specifically, our empirical experiments show a 20\% reduction in calibration errors in zero entries on the sparse traffic accident and urban crime prediction. Overall, this work demonstrates the theoretical and empirical values of the SAUC framework, thus bridging a significant gap between uncertainty quantification and spatiotemporal prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google