English(EN) Do Deep Ensembles Actually Capture Uncertainty in Graph Neural Networks?

深度集成未能捕捉图神经网络中的不确定性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-05-21 15:07

一项新的研究论文质疑了深度集成在图神经网络中进行不确定性量化的有效性。研究发现，集成模型相比单一模型在不确定性量化方面几乎没有改进，其收益主要来自稳定预测而非提高不确定性估计。这归因于“认知崩溃”，即独立训练的网络产生过于相似的预测，从而抵消了集成模型的核心优势。 AI

影响挑战了评估基于图的AI系统中模型可靠性的一种常用方法。

排序理由在arXiv上发表的研究论文，调查了一种特定的机器学习技术。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Pedro C. Vieira, Pedro Ribeiro, Viacheslav Borovitskiy · 2026-05-22 04:00

深度集成是否真的能捕捉图神经网络中的不确定性？

arXiv:2605.22593v1 Announce Type: new Abstract: While deep ensembles are widely considered to be the default method for uncertainty quantification in deep learning, their effectiveness for graph-structured data is often simply assumed based on successes in domains like computer v…
arXiv cs.LG TIER_1 English(EN) · Viacheslav Borovitskiy · 2026-05-21 15:07

深度集成是否真的能捕捉图神经网络中的不确定性？

While deep ensembles are widely considered to be the default method for uncertainty quantification in deep learning, their effectiveness for graph-structured data is often simply assumed based on successes in domains like computer vision. We investigate standard deep ensembles sp…