通过信息增长重新思考节点分类中的认识不确定性

arXiv:2610.03418v1 公告类型：new 摘要：随着关于数据生成过程（DGP）的额外信息逐渐为预测器所获得，认识不确定性应当降低。然而，现有用于节点分类的图证据深度学习（EDL）方法通常根据图的特定属性构造认识不确定性，并在分布外检测等下游任务上对其进行评估，而这些任务并不能检验随着有关 DGP 的信息增加，不确定性是否具有可减少性。为使这种可减少性能够被直接检验，我们提出了一个用于研究信息增长条件下认识不确定性的统计框架。该框架规定了信息增长实验协议以及认识预测器的一致性准则，同时采用投影图 DGP，以确保不断增长的图——一般而言，它们未必提供关于同一 DGP 的不断增加的信息——能够构成对同一底层过程的相容观测。我们表明，EDL 方法并未显式估计源自单个有限图观测的数据不确定性，而是通过模型超参数调节认识不确定性，从而无法实现一致性；受控信息增长实验也证实了这一点。作为替代方案，我们提出图 bootstrap 集成，通过图重采样和随机化训练同时捕获数据不确定性与程序不确定性。在相同的实验协议下，这些集成模型表现出超越标准深度集成的认识不确定性降低效果。这些发现表明，bootstrap 集成可作为信息增长条件下具有一致性的认识预测器候选方案。