Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations

要約

グラフ構造データの不確実性を考慮した表現の学習の問題に取り組みます。
グラフ ニューラル常微分方程式 (GNODE) はノード表現の学習には効果的ですが、不確実性を定量化することはできません。
これに対処するために、潜在グラフ神経確率微分方程式 (LGNSDE) を導入します。これは、不確実性を定量化するためにブラウン運動を通じてランダム性を埋め込むことで GNODE を強化します。
当社は LGNSDE に対して理論的な保証を提供し、不確実性の定量化においてより優れたパフォーマンスを実証しています。

要約(オリジナル)

We address the problem of learning uncertainty-aware representations for graph-structured data. While Graph Neural Ordinary Differential Equations (GNODE) are effective in learning node representations, they fail to quantify uncertainty. To address this, we introduce Latent Graph Neural Stochastic Differential Equations (LGNSDE), which enhance GNODE by embedding randomness through Brownian motion to quantify uncertainty. We provide theoretical guarantees for LGNSDE and empirically show better performance in uncertainty quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google