免费获得有效性：用于无需训练的表格基础模型节点分类的同质性门控保形预测

arXiv:2610.08564v1 公告类型：新 摘要：表格基础模型（TFMs）无需在图上进行训练，即可对图中的节点进行分类，方法是将节点特征和邻域特征作为表格行，与带标签的上下文行并列读取。该方向的研究报告的是预测性能，而非保形覆盖率或预测集大小。据我们所知，我们首次对这一设置开展了可靠性研究，采用 TabICL 作为 TFM，并将每个图的一半节点作为带标签的上下文。对于任何在校准前固定的预测器而言，冻结的上下文学习预测器都能使拆分保形预测在有限样本下严格有效，且无需在目标图上进行训练、使用验证折或调参。随后，我们对十个图进行审计，结果显示，在其中九个图上，无需训练的 TabICL 后验概率的期望校准误差（ECE）低于采用温度缩放的 GCN（GCN+TS）。在十个图上的平均 ECE 为 0.019，比 GCN+TS 的 0.029 低约 35%。我们还提出了 HG-DAPS，这是一种无需训练的扩散得分，其同质性门控只读取上下文中的标签，因此该保证仍然成立。与自适应预测集（APS）相比，在六个同质图上，它将平均集合大小减少了 5.8% 至 17.1%；在四个异质图上，集合大小变化不到 1%。在两个类别不平衡的二分类图上，一项预注册的陷阱案例显示，使用原始同质性而非调整后的同质性进行门控，会使低同质性节点的覆盖率分别降低 0.27 和 0.12。边际覆盖率仍保持在名义值 0.90，从而掩盖了这一降幅。