论文名称：Pre-training Context and Time Aware Location Embeddings from Spatial-Temporal Trajectories for User Next Location Prediction

论文作者：Yan Lin,Huaiyu Wan, Shengnan Guo, Youfang Lin.
文章：AAAI Conference on Artificial Intelligence, 2021.

论文思想：预训练地点嵌入是时空轨迹数据挖掘中一项基础性的工作，高质量的地点嵌入能够帮助下游地点预测任务取得更佳的结果。相较于广泛应用的端到端取表式嵌入层，自监督预训练地点嵌入能够融入更加通用、全面的地点特征信息，因此能在各种下游任务和预测模型中共享，同时提升预测性能。

论文文章：Be Confident! Towards Trustworthy Graph Neural Networks via Confidence Calibration
论文地址：https://arxiv.org/abs/2109.14285
论文解读：图神经网络 (GNN) 卓越的性能已经广受关注，但其预测结果是否值得信赖却有待探索。之前的研究结果表明，许多现代神经网络对其预测具有过度自信的现象。然而与之不同的是，我们发现 GNN对其预测结果却呈现出欠自信的现象。因此，要想获得一个可信的GNN，亟需对其置信度进行校正。在本文中，我们设计了一种拓扑感知的后处理校正函数，并由此提出了一种新颖的可信赖 GNN 模型。具体来说，我们首先验证了图中的置信度分布具有同质性的特点，由此启发我们再次利用GNN模型来为分类GNN模型学习校正函数（CaGCN）的想法。CaGCN 能够为每个节点学习到一种从分类 GNN 的输出到校正后的置信度的唯一转换，同时这种转换还能够保留类间的序关系，从而满足保存精度的属性。此外，我们还将CaGCN应用于自训练框架，结果表明可以通过对置信度进行校正获得更可信的伪标签，从而并进一步提高性能。我们通过大量实验证明了我们提出的模型在置信度校正方面和在提高分类准确率方面的有效性。

编辑人：伊新铜，吕腾飞

内容中包含的图片若涉及版权问题，请及时与我们联系删除