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。

论文链接：https://arxiv.org/abs/2109.14285

实验分为两部分，分别评估CaGCN在置信度校正方面的性能和CaGCN-st在提高模型分类准确率方面的性能，其中前者的评估指标是ECE，后者是Accuracy。两个实验均选择了Cora、Citeseer、Pubmed、CoraFull四个数据集，每个数据集选取了不同的标签率。实验结果如下：

图5 CaGCN与其他置信度校正方法的结果对比（值越小代表性能越好）

图6 CaGCN-st与其他自训练方法的结果对比（值越大代表性能越好。

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