Uncertainty Quantification on Graph Learning: A Survey

图形模型，包括图神经网络（GNNs）和概率图模型（PGMs），已经在许多领域展示了其卓越的能力。这些模型需要有效的不确定性量化，以确保在模型训练差异和不可预测的测试场景中进行可靠的决策。本文综述了近期关于GNNs和PGMs模型结构、训练和推断中不确定性量化的研究。我们旨在通过将最近的方法组织成不确定性表示和处理来提供图形模型不确定性的当前概况。通过总结最先进的方法，本文旨在加深对图形模型中不确定性量化的理解，从而提高它们在关键应用中的效力和安全性。

本文旨在研究图神经网络（GNNs）和概率图模型（PGMs）中的不确定性量化方法，以确保在训练偏差和不可预测的测试场景下进行可靠的决策。

本文总结了最近的研究成果，并将其分为不确定性表示和处理两个方面，旨在提高图形模型的不确定性量化能力，从而增加其在关键应用中的效果和安全性。

本文提出了一些新的不确定性量化方法，例如基于蒙特卡罗采样的方法和基于置信度传播的方法。实验使用了多个数据集，并通过比较不同方法的性能来验证这些方法的有效性。此外，本文还提出了一些未来研究方向，例如如何在动态图形模型中处理不确定性。

最近的相关研究包括《谱图神经网络的不确定性量化》、《概率图模型中的不确定性量化：方法和应用》等。