Unsicherheitsquantifizierungsgarantien für Graphenneuronale Netze

• Antragsteller: Professor Dr. Aleksandar Bojchevski
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 543963829

In einer vernetzten Welt sind Graphen überall zu finden. Fast alle Graph-Lernaufgaben werden routinemäßig und effektiv mit Graphenneuronale Netze (GNNs) angegangen, die sich als grundlegender Baustein in vielen Systemen etabliert haben. Trotz des Aufstiegs der GNNs zu Bedeutung in wissenschaftlichen und industriellen Umgebungen gibt es auffällig wenig Forschung zur Quantifizierung ihrer Unsicherheit, und noch weniger Studien zielen darauf ab, Garantien zu bieten. Um diese Lücke zu schließen, ist unser übergeordnetes Ziel, eine Unsicherheitsquantifizierung für GNNs mit rigorosen verteilungsfreien Garantien zu bieten. Wir werden den Rahmen der konformen Vorhersage übernehmen, der die Ausgabe jedes Modells (jedes GNN) in eine Menge umwandelt, die garantiert das wahre Label mit einer vom Benutzer angegebenen Wahrscheinlichkeit enthält. Wir werden austauschbare Daten unter transduktiven und induktiven Einstellungen, Robustheit gegenüber Verteilungsverschiebungen und adversativen Störungen sowie Garantien für beliebige (potenziell sich überschneidende) Subpopulationen abdecken. Angesichts der vielen verschiedenen Anwendungen von GNNs erwarten wir, dass unsere Ergebnisse für Wissenschaft, Industrie und Gesellschaft breit relevant sind.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2298: Theoretische Grundlagen von Deep Learning