深度集成真的能捕捉图神经网络中的不确定性吗？
Do Deep Ensembles Actually Capture Uncertainty in Graph Neural Networks?
精选理由
揭示图神经网络集成常因预测趋同而低估认知不确定性，并指出其与图结构和平滑偏差的关联。
AI 摘要
arXiv:2605.22593v2 公告类型：替换 摘要：尽管深度集成被广泛视为深度学习中不确定性量化的默认方法，但人们往往仅凭其在计算机视觉等领域的成功，就假定它对图结构数据同样有效。我们专门研究了标准深度集成在消息传递图神经网络中的表现。通过在涵盖不同任务和复杂度的八个数据集上进行基准测试，我们发现，集成相较于单个模型仅带来微小改进。这些微小收益主要源于对点预测中的优化噪声进行平均，而非不确定性估计得到实质性改善。通过对偶然不确定性和认知不确定性进行分解，我们发现了认知不确定性坍缩现象：独立训练的网络总是收敛到过于相似的预测结果。由于预测分歧是集成捕捉认知不确定性的根本机制，这种多样性的缺失抵消了其关键优势。为解释这一现象，我们推导了一个由图拓扑和 Dirichlet 能量预算决定的认知方差界，将认知不确定性坍缩与消息传递的平滑偏置联系起来。我们的结果表明，深度集成的成功并不能直接迁移到图机器学习中。