Оценка устойчивости и неопределённости графовых моделей при структурных сдвигах распределения данных
Оценка устойчивости и неопределённости графовых моделей при структурных сдвигах распределения данных
Аннотация
В надёжных системах принятия решений на основе машинного обучения модели должны быть устойчивы к сдвигам распределения или обеспечивать меры неопределённости своих предсказаний. В задачах предсказания на уровне вершин в графовых данных сдвиги распределения особенно сложны ввиду взаимозависимости объектов. Большинство существующих графовых наборов данных разделяют вершины на обучающую и тестовую части случайным образом, не учитывая структурные свойства графа, тогда как именно они существенны для задач обучения на графах. В данной работе предлагается универсальный подход к созданию разнообразных структурных сдвигов распределения, основанный на свойствах вершин: популярности, локальности и плотности. Эмпирическое сравнение показывает, что предложенные сдвиги весьма сложны для существующих графовых методов: сдвиг на основе локальности является наиболее трудным с точки зрения устойчивости предсказания, а сдвиг на основе плотности – наиболее сложным для OOD-детекции. Мы обнаруживаем, что простые методы нередко превосходят более сложные подходы на рассмотренных структурных сдвигах, при этом существует определенный компромисс между качеством предсказания при сдвиге и способностью к OOD-детекции.
Ключевые слова
Издание
Труды Института системного программирования РАН, том 38, вып. 5, 2026, стр. 235-256.
ISSN 2220-6426 (Online), ISSN 2079-8156 (Print).
DOI: 10.15514/ISPRAS-2026-38(5)-14
Для цитирования
Полный текст статьи в формате pdf
Вернуться к содержанию тома