🤖 machine learning

Quantile-Free Uncertainty Quantification in Graph Neural Networks

यह शोध पत्र QpiGNN प्रस्तुत करता है, जो एक नवीन ढांचा (framework) है जो महंगी रीसैंपलिंग प्रक्रियाओं या सख्त विनिमय क्षमता (exchangeability) धारणाओं पर निर्भर हुए बिना ग्राफ न्यूरल नेटवर्क्स के लिए कुशल, सुदृढ़ और सैद्धांतिक रूप से गारंटीकृत अनिश्चितता परिमाणीकरण (uncertainty quantification) को सक्षम करने के लिए एक डुअल-हेड आर्किटेक्चर और एक क्वांटाइल-मुक्त संयुक्त हानि (quantile-free joint loss) का उपयोग करता है।

मूल लेखक: Soyoung park, Hwanjun Song, Sungsu Lim

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Soyoung park, Hwanjun Song, Sungsu Lim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी समस्या: "आत्मविश्वासी लेकिन गलत" रोबोट

कल्पना कीजिए कि एक सुपर-स्मार्ट रोबोट (एक ग्राफ न्यूरल नेटवर्क, या GNN) कनेक्शनों के एक जटिल जाल को देख रहा है—जैसे कि एक सोशल नेटवर्क, एक सड़क का नक्शा, या एक रासायनिक संरचना—ताकि वह किसी विशिष्ट नोड (एक व्यक्ति, शहर, या अणु) के बारे में कुछ भविष्यवाणी कर सके।

यह रोबोट एक एकल संख्यात्मक उत्तर देने में उत्कृष्ट है, जैसे कि "इस व्यक्ति की कमाई $50,000 होगी।" हालांकि, उच्च जोखिम वाली स्थितियों में (जैसे स्वास्थ्य सेवा या आपराधिक न्याय में), एक संख्या पर्याप्त नहीं है। आपको यह जानने की आवश्यकता है: "आप कितने निश्चित हैं?"

यदि रोबोट कहता है " $50,000" लेकिन वास्तव में वह केवल तुक्का लगा रहा है, तो यह खतरनाक है। आदर्श रूप से, उसे कहना चाहिए: "मैं काफी आश्वस्त हूँ कि यह$ 45,000 और $55,000 के बीच है।" इस रेंज (सीमा) को प्रेडिक्शन इंटरवल (prediction interval) कहा जाता है।

समस्या यह है कि मौजूदा रोबोट इन श्रेणियों (ranges) को बनाने में खराब हैं।

"बहुत चौड़ा" रोबोट: कुछ तरीके कहते हैं: "यह $0 और$ 1,000,000 के बीच कहीं भी हो सकता है!" तकनीकी रूप से, वे सही हैं (उत्तर इसके भीतर है), लेकिन यह रेंज इतनी विस्तृत है कि यह बेकार है।
"बहुत संकीर्ण" रोबोट: अन्य तरीके कहते हैं: "यह निश्चित रूप से $49,900 और$ 50,100 के बीच है।" वे सटीक दिखते हैं लेकिन अक्सर गलत होते हैं क्योंकि वे डेटा की अराजक और परस्पर जुड़ी प्रकृति को समझने में विफल रहते हैं।
"महंगा" रोबोट: एक अच्छा रेंज प्राप्त करने के लिए, वर्तमान तरीकों को अक्सर रोबोट को हजारों बार चलाने (resampling) या बाद में एक जटिल कैलिब्रेशन स्टेप करने की आवश्यकता होती है। यह धीमा और गणनात्मक रूप से गहन (computationally intensive) है।

समाधान: मिलिए QpiGNN से

लेखकों ने QpiGNN (Quantile-free Prediction Interval GNN) पेश किया है। इसे एक नए प्रशिक्षण तरीके के रूप में सोचें जो रोबोट को अपने उत्तरों के चारों ओर एक परफेक्ट बॉक्स बनाने के लिए सिखाता है, बिना इसे हजारों बार चलाने या जटिल गणितीय ट्रिक्स लगाने की आवश्यकता के।

यह कैसे काम करता है, इसे तीन सरल अवधारणाओं में विभाजित किया गया है:

1. "दो सिर वाला" रोबोट (Dual-Head Architecture)

अधिकांश रोबोटों के पास एक ही दिमाग होता है जो एक साथ दो चीजें करने की कोशिश करता है: संख्या का अनुमान लगाना और यह अनुमान लगाना कि बॉक्स कितना चौड़ा होना चाहिए। यह अक्सर रोबोट को भ्रमित कर देता है, जिससे "ओवर-स्मूथिंग" वाले उत्तर मिलते हैं जहाँ हर नोड एक जैसा दिखने लगता है।

QpiGNN की ट्रिक: यह रोबोट को दो अलग-अलग सिर (heads) देता है।

हेड A केवल संख्या का अनुमान लगाने पर ध्यान केंद्रित करता है (जैसे, "$50,000")।
हेड B केवल अनिश्चितता बॉक्स के आकार का अनुमान लगाने पर ध्यान केंद्रित करता है (जैसे, "बॉक्स ±$5,000 होना चाहिए")।

उपमा (Analogy): एक शेफ की कल्पना करें। एक सामान्य शेफ भोजन पकाने और उसे सीजन करने की एक साथ कोशिश करता है, जिससे व्यंजन फीका हो सकता है। QpiGNN एक ऐसे किचन की तरह है जिसमें दो शेफ हैं: एक शेफ (हेड A) है, जो पूरी तरह से स्वाद पर ध्यान केंद्रित करता है, और दूसरा सू-शेफ (हेड B) है, जो पूरी तरह से सर्विंग साइज (हिस्से के आकार) पर ध्यान केंद्रित करता है। वे मिलकर काम करते हैं लेकिन एक-दूसरे के रास्ते में नहीं आते। यह रोबोट को संख्या के मामले में सटीक और अनिश्चितता के मामले में लचीला होने की अनुमति देता है।

2. "नो-क्वांटाइल्स" नियम (Quantile-Free)

इन बॉक्सों को बनाने के पुराने तरीकों में अक्सर "क्वांटाइल्स" (quantiles) की अवधारणा पर निर्भर किया जाता है। कल्पना कीजिए कि एक बॉक्स बनाने की कोशिश करना कि: "सबसे कम 5% मान क्या है?" और "सबसे अधिक 95% मान क्या है?" आपको हर एक डेटा पॉइंट के लिए ये विशिष्ट प्रश्न पूछने पड़ते हैं। कनेक्शनों के एक जटिल जाल (ग्राफ) में, यह अराजक हो जाता है, जिससे बॉक्स आपस में टकरा सकते हैं या अस्थिर हो सकते हैं।

QpiGNN की ट्रिक: यह विशिष्ट "5%" और "95%" प्रश्नों को त्याग देता है। इसके बजाय, यह एक जॉइंट लॉस (Joint Loss) (एक स्कोरिंग सिस्टम) का उपयोग करता है जो प्रशिक्षण के दौरान केवल दो प्रश्न पूछता है:

कवरेज (Coverage): "क्या वास्तविक उत्तर आपके बॉक्स के अंदर है?" (यदि नहीं, तो आपको दंड/पेनल्टी मिलेगी)।
कॉम्पैक्टनेस (Compactness): "क्या आपका बॉक्स उतना ही छोटा है जितना कि उत्तर को कैप्चर करने के लिए आवश्यक है?" (यदि यह बहुत बड़ा है, तो आपको दंड मिलेगा)।

उपमा: "हॉट एंड कोल्ड" (Hot and Cold) खेल की कल्पना करें।

पुराना तरीका: आपको खेलने से पहले "कोल्ड" ज़ोन और "हॉट" ज़ोन के सटीक तापमान की गणना करनी होगी।
QpiGNN का तरीका: आप बस खेल खेलते हैं। यदि खजाना आपके घेरे के बाहर है, तो आप अंक खो देते हैं। यदि आपका घेरा बहुत बड़ा है और फिर भी आप अंक खोते हैं, तो आप और भी अधिक अंक खोते हैं। रोबोट अपने घेरे को बस इतना ही सिकोड़ना सीखता है ताकि खजाना उसके अंदर रहे, बिना किसी जटिल तापमान क्षेत्र की गणना किए।

3. "गोल्डिलॉक्स" परिणाम (The Goldilocks Result)

चूंकि QpiGNN कार्यों को अलग करता है और इस सरल स्कोरिंग सिस्टम का उपयोग करता है, इसलिए यह एक "गोल्डिलॉक्स" परिणाम प्राप्त करता है:

यह बहुत चौड़ा नहीं है (यह उपयोगी है)।
यह बहुत संकीर्ण नहीं है (यह विश्वसनीय है)।
यह तेज़ है (इसे हजारों बार चलाने की आवश्यकता नहीं है)।

प्रयोगों ने क्या दिखाया

लेखकों ने इस नए रोबोट का 19 अलग-अलग डेटासेट्स पर परीक्षण किया, जिसमें कृत्रिम रूप से बनाए गए ग्राफ से लेकर वास्तविक दुनिया के डेटा तक शामिल थे, जैसे:

सोशल नेटवर्क: (Twitch, Wikipedia पेज)।
भौगोलिक डेटा: (US काउंटियाँ, शिकागो ट्रैफिक)।
सिंथेटिक ग्राफ: (ग्रिड, पेड़, रैंडम नेटवर्क)।

परिणाम:

बेहतर कवरेज: औसतन, QpiGNN अन्य तरीकों की तुलना में वास्तविक उत्तर को 22% अधिक बार पकड़ता है।
संकीर्ण बॉक्स: जब यह उत्तर को पकड़ता है, तो इसकी रेंज प्रतिस्पर्धा की तुलना में 50% संकीर्ण होती है।
मजबूती (Robustness): भले ही डेटा शोर भरा (जैसे रेडियो पर स्टैटिक) था या ग्राफ संरचना बदल गई थी (जैसे कोई बंद सड़क), QpiGNN ने अच्छी तरह से काम करना जारी रखा। अन्य तरीके या तो भ्रमित हो गए या काम करना छोड़ दिया।

सारांश

संक्षेप में, QpiGNN ग्राफ न्यूरल नेटवर्क को यह स्वीकार करना सिखाने का एक नया तरीका है कि वे कब अनिश्चित हैं। धीमे, जटिल गणित या विशिष्ट सांख्यिकीय थ्रेशोल्ड का अनुमान लगाने के बजाय, यह एक "दो-सिर वाले" डिज़ाइन और एक सरल "बॉल पकड़ने वाले" प्रशिक्षण खेल का उपयोग करता है। यह ऐसी भविष्यवाणियों की ओर ले जाता है जो विश्वसनीय (वे सही उत्तर तक पहुँचती हैं) और सटीक (वे आपको एक बेकार, विशाल रेंज नहीं देतीं) दोनों हैं।

यह एक ऐसे रोबोट से अपग्रेड करने जैसा है जो या तो बेतहाशा अनुमान लगाता है या कॉफी शॉप खोजने के लिए आपको पूरी दुनिया का नक्शा दे देता है, उस रोबोट में जो ठीक उसी कॉफी शॉप के चारों ओर एक सटीक, छोटा घेरा बनाता है जिसे आप ढूंढ रहे हैं।

तकनीकी सारांश: ग्राफ न्यूरल नेटवर्क में क्वांटाइल-मुक्त अनिश्चितता मात्रा निर्धारण (Quantile-Free Uncertainty Quantification)

1. समस्या विवरण (Problem Statement)

ग्राफ न्यूरल नेटवर्क (GNNs) में अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) स्वास्थ्य सेवा और आपराधिक न्याय जैसे उच्च-जोखिम वाले अनुप्रयोगों के लिए महत्वपूर्ण है, फिर भी यह एक बड़ी चुनौती बनी हुई है। मौजूदा GNNs आमतौर पर भविष्यवाणियों की विश्वसनीयता को कैप्चर किए बिना केवल नियत बिंदु अनुमान (deterministic point estimates) उत्पन्न करते हैं। इसके अलावा, मानक संदेश-पासिंग (message-passing) तंत्र डेटा पूर्वाग्रहों (biases) को प्रसारित और प्रवर्धित कर सकते हैं, जिससे निर्णय लेने की प्रक्रियाओं में जोखिम बढ़ जाता है।

GNNs के लिए वर्तमान UQ दृष्टिकोण तीन मुख्य सीमाओं का सामना करते हैं:

बायेसियन विधियाँ (Bayesian Methods): हालांकि ये सैद्धांतिक रूप से सुदृढ़ हैं, लेकिन वे अक्सर स्केलेबिलिटी संबंधी समस्याओं और प्राय वितरण (prior distributions) के विनिर्देश के प्रति संवेदनशीलता से ग्रस्त होते हैं।
रीसैंपलिंग और पोस्ट-हॉक कैलिब्रेशन (Resampling and Post-hoc Calibration): कॉन्फॉर्मल प्रेडिक्शन (CP) या एन्सेम्बल विधियों जैसे फ्रीक्वेंटिस्ट दृष्टिकोण बार-बार इन्फरेंस या अलग कैलिब्रेशन सेटों पर निर्भर करते हैं। ये गणनात्मक रूप से गहन हैं और अक्सर मजबूत मान्यताओं पर निर्भर करते हैं, जैसे कि एक्सचेंजेबिलिटी (exchangeability) (जिसे अक्सर i.i.d. के रूप में सरल बनाया जाता है), जो ग्राफ डेटा के कारण अक्सर संरचनात्मक निर्भरताओं (जैसे हब, हेटरोफिली) के कारण बाधित होती है।
क्वांटाइल रिग्रेशन (QR) की सीमाएँ: मानक QR के लिए स्पष्ट क्वांटाइल-स्तरीय इनपुट (जैसे $\tau = 0.05$ ) या प्रत्येक क्वांटाइल के लिए अलग मॉडल की आवश्यकता होती है। जब इसे GNNs पर लागू किया जाता है, तो यह डिज़ाइन उलझे हुए नोड प्रतिनिधित्व (entangled node representations) की ओर ले जाता है, जिसके परिणामस्वरूप क्वांटाइल क्रॉसिंग (quantile crossing), ओवर-स्मूथिंग और खराब कैलिब्रेटेड अंतराल जैसी समस्याएँ होती हैं।

यह कार्य तर्क देता है कि एक फ्रीक्वेंटिस्ट ढांचे की आवश्यकता है जो मजबूत मान्यताओं से बचता हो, क्वांटाइल इनपुट या पोस्ट-प्रोसेसिंग की आवश्यकता को समाप्त करता हो, और ग्राफ-संरचित डेटा के लिए गणनात्मक रूप से व्यवहार्य बना रहे।

2. कार्यप्रणाली: QpiGNN

लेखक क्वांटाइल-फ्री प्रेडिक्शन इंटरवल GNN (QpiGNN) का प्रस्ताव करते हैं, जो एक ऐसा ढांचा है जो क्वांटाइल इनपुट, रीसैंपलिंग, या पोस्ट-हॉक कैलिब्रेशन की आवश्यकता के बिना नोड-आधारित रिग्रेशन के लिए कैलिब्रेटेड और कॉम्पैक्ट प्रेडिक्शन इंटरवल उत्पन्न करता है।

2.1. डुअल-हेड आर्किटेक्चर (Dual-Head Architecture)

QpiGNN एक डुअल-हेड आर्किटेक्चर का उपयोग करता है ताकि लक्ष्य मान (target value) के पूर्वानुमान को अनिश्चितता के अनुमान से अलग किया जा सके।

एनकोडर (Encoder): एक मानक GNN (जैसे GraphSAGE) पड़ोस की जानकारी को एकत्रित करके नोड एम्बेडिंग $H$ उत्पन्न करता है।
प्रेडिक्शन हेड (Prediction Head): एक लीनियर लेयर लक्ष्य माध्य (target mean) की भविष्यवाणी करती है: $\hat{y} = W_{pred}H + b_{pred}$ ।
अनसर्टेन्टी हेड (Uncertainty Head): एक अलग लीनियर लेयर हाफ-इंटरवल चौड़ाई (half-interval width) की भविष्यवाणी करती है: $\hat{d} = \text{Softplus}(W_{diff}H + b_{diff})$ । Softplus एक्टिवेशन यह सुनिश्चित करता है कि $\hat{d} > 0$ हो।
आउटपुट (Output): नोड $v$ के लिए प्रेडिक्शन इंटरवल $[\hat{y}_v - \hat{d}_v, \hat{y}_v + \hat{d}_v]$ के रूप में परिभाषित है।

यह पृथक्करण सटीकता और अनिश्चितता अनुमान के बीच प्रतिनिधित्व संघर्ष (representation conflicts) और ग्रेडिएंट हस्तक्षेप को रोकता है, जिससे एकल-हेड GNNs में सामान्य ओवर-स्मूथिंग समस्याओं को कम किया जा सकता है।

2.2. क्वांटाइल-फ्री जॉइंट लॉस फंक्शन (Quantile-Free Joint Loss Function)

विशिष्ट क्वांटाइल्स के लिए अनुकूलन करने के बजाय, QpiGNN को एक जॉइंट लॉस फंक्शन $\mathcal{L}_{total}$ के साथ एंड-टू-एंड प्रशिक्षित किया जाता है जो सीधे कवरेज (coverage) और इंटरवल चौड़ाई (interval width) के लिए अनुकूलित होता है:

$\mathcal{L}_{total} = \mathcal{L}_{coverage} + \lambda_{width} \cdot \mathcal{L}_{width}$

कवरेज टर्म ( $\mathcal{L}_{coverage}$ ): यह टर्म लक्षित कवरेज दर $(1-\alpha)$ $(1 - α)$ से विचलन को दंडित करता है। इसमें एक स्क्वेयर्ड एरर टर्म $(\hat{c} - (1-\alpha))^2$ $(\overset{c}{^} - (1 - α))^{2}$ और एक उल्लंघन हानि (violation loss) $\hat{\ell}_{viol}$ $\hat{ℓ}_{v i o l}$ शामिल है जो सूक्ष्म फीडबैक प्रदान करती है जब वास्तविक लक्ष्य अनुमानित सीमाओं के बाहर होते हैं।
- $\hat{c}$ अनुभवजन्य कवरेज अनुपात (empirical coverage proportion) है।
- $\hat{\ell}_{viol}$ उल्लंघन की मात्रा को दंडित करता है जब $y_v < \hat{y}^{low}_v$ या $y_v > \hat{y}^{up}_v$ हो।
चौड़ाई टर्म ( $\mathcal{L}_{width}$ ): यह टर्म $L_1$ पेनल्टी का उपयोग करके औसत इंटरवल चौड़ाई $\mathbb{E}[\hat{y}^{up}_v - \hat{y}^{low}_v]$ को कम करता है ताकि आउटलेर्स के खिलाफ स्थिरता सुनिश्चित की जा सके।
ट्रेड-ऑफ (Trade-off): हाइपरपैरामीटर $\lambda_{width}$ लक्षित कवरेज बनाए रखने और इंटरवल की चौड़ाई (कॉम्पैक्टनेस) को कम करने के बीच संतुलन बनाता है।

यह डिज़ाइन मॉडल को लेबल मॉनिटरिंग से सीधे अनुकूल, नोड-विशिष्ट अंतराल सीखने में सक्षम बनाता है, जिसके लिए स्पष्ट क्वांटाइल इनपुट या कैलिब्रेशन सेट की आवश्यकता नहीं होती है।

3. सैद्धांतिक गारंटी (Theoretical Guarantees)

यह कार्य हल्के अनुमानों (बाउंडेड नॉइज़, नोड्स के बीच कमजोर निर्भरता, और अनुमानित माध्य/चौड़ाई का अभिसरण) के तहत QpiGNN के लिए सैद्धांतिक औचित्य प्रदान करता है:

एसिम्प्टोटिक कवरेज (Asymptotic Coverage): वीक लॉ ऑफ लार्ज नंबर्स (WLLN) के तहत, अनुभवजन्य कवरेज $\hat{c}$ , नोड्स की संख्या $N \to \infty$ होने पर, लक्षित स्तर $1-\alpha$ की ओर संभाव्यता (probability) में अभिसरित होता है।
फाइनाइट-सैंपल बाउंड्स (Finite-Sample Bounds): कॉन्सेंट्रेशन इनइक्वेलिटीज (McDiarmid और Hoeffding) का उपयोग करते हुए, यह कार्य दिखाता है कि मध्यम $N$ के लिए, अनुभवजन्य कवरेज का लक्षित स्तर से विचलन $O(1/\sqrt{N})$ द्वारा सीमित है, यहाँ तक कि ग्राफ-निर्भर निर्भरताओं की उपस्थिति में भी।
इष्टतम चौड़ाई (Optimal Width): जॉइंट लॉस फंक्शन को एक बाधाबद्ध अनुकूलन समस्या (constrained optimization problem) के लैग्रेंज रिलैक्सेशन के रूप में व्याख्यायित किया गया है। जब कवरेज संतुष्ट हो जाता है, तो मॉडल चौड़ाई कम करने को प्राथमिकता देता है, जिससे लगभग इष्टतम इंटरवल चौड़ाई प्राप्त होती है।
अभिसरण (Convergence): यह दिखाया गया है कि नॉन-कॉन्वेक्स जॉइंट लॉस फंक्शन स्टोकेस्टिक ऑप्टिमाइज़ेशन की मानक स्थितियों के तहत एक स्टेशनरी पॉइंट (stationary point) की ओर अभिसरित होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने 19 डेटासेट्स पर QpiGNN का मूल्यांकन किया, जिसमें 9 सिंथेटिक ग्राफ (जैसे BA, ER, Grid, Tree) और 10 वास्तविक दुनिया के बेंचमार्क (जैसे US County डेटा, Twitch, Wikipedia ग्राफ) शामिल थे।

4.1. प्रदर्शन मेट्रिक्स (Performance Metrics)

प्राथमिक मेट्रिक्स प्रेडिक्शन इंटरवल कवरेज प्रोबेबिलिटी (PICP) और मीन प्रेडिक्शन इंटरवल विड्थ (MPIW) थे।

कवरेज (Coverage): QpiGNN ने प्रतिस्पर्धी बेसलाइन्स (SQR-GNN, RQRadj.-GNN, CF-GNN, BayesianNN, MC Dropout) की तुलना में औसतन 22% अधिक कवरेज प्राप्त किया।
कॉम्पैक्टनेस (Compactness): QpiGNN ने वैध कवरेज बनाए रखते हुए औसतन 50% संकीर्ण (narrower) अंतराल उत्पन्न किए।
तुलना (Comparison):
- BayesianNN ने कवरेज सुनिश्चित किया लेकिन अत्यधिक चौड़े अंतराल उत्पन्न किए।
- MC Dropout ने संकीर्ण अंतराल उत्पन्न किए लेकिन गंभीर अंडर-कवरेज (under-coverage) से ग्रस्त रहा।
- SQR-GNN और RQRadj.-GNN अक्सर अस्थिरता, क्वांटाइल क्रॉसिंग, या हेटरोफिलिक ग्राफ पर खराब कैलिब्रेशन प्रदर्शित करते थे।
- CF-GNN (कॉन्फॉर्मलाइज्ड) को कैलिब्रेशन सेट की आवश्यकता थी और इसने QpiGNN की तुलना में अधिक चौड़े अंतराल उत्पन्न किए।

4.2. मजबूती और सामान्यीकरण (Robustness and Generalization)

परेशानियाँ (Perturbations): QpiGNN फीचर नॉइज़, टारगेट नॉइज़ और एज ड्रॉपआउट के खिलाफ मजबूत रहा, और वहां वैध कवरेज बनाए रखा जहां बेसलाइन विफल रहे या उन्हें काफी चौड़े अंतराल की आवश्यकता थी।
संरचनात्मक बदलाव (Structural Shifts): उन OOD (Out-of-Distribution) परीक्षणों में जहाँ एक ग्राफ प्रकार पर प्रशिक्षित मॉडलों का परीक्षण अन्य ग्राफों पर किया गया, QpiGNN (जो एक्सप्रेसिव ग्राफ्स जैसे BA, ER पर प्रशिक्षित था) ने अच्छा सामान्यीकरण किया, जबकि सरल संरचनाओं (Tree, Basic) पर प्रशिक्षित मॉडल जटिल ग्राफों पर लक्ष्यों को कवर करने में विफल रहे।
एक्सचेंजेबिलिटी (Exchangeability): QpiGNN ने गैर-एक्सचेंजेबल स्प्लिट्स (जैसे नोड डिग्री या कम्युनिटी द्वारा स्प्लिट) के तहत प्रदर्शन बनाए रखा और i.i.d. धारणा के उल्लंघन के खिलाफ मजबूती प्रदर्शित की।

4.3. दक्षता (Efficiency)

Q-PIGNN की कम्प्यूटेशनल जटिलता SQR-GNN जैसे लाइटवेट बेसलाइन्स के समान $O(Ed + Nd^2)$ है। MC Dropout (जिसके लिए कई फॉरवर्ड पास की आवश्यकता होती है) या CF-GNN (जिसके लिए एक अलग कैलिब्रेशन मॉड्यूल की आवश्यकता होती है) के विपरीत, QPI GNN इन्फरेंस के दौरान सिंगल पास में अनिश्चितता अनुमान करता है।

5. मुख्य योगदान (Main Contributions)

क्वांटाइल-फ्री UQ फ्रेमवर्क: QPI GNN पहला ऐसा ढांचा है जो क्वांटाइल इनपुट, रीसैंपलिंग, या पोस्ट-प्रोसेसिंग की आवश्यकता के बिना, कैलिब्रेटेड और कॉम्पैक्ट नोड-आधारित अनिश्चितता मात्रा निर्धारण को सक्षम बनाता है।
आर्किटेक्चर और लॉस डिज़ाइन: एक डुअल-हेड आर्किटेक्चर के साथ क्वांटाइल-फ्री जॉइंट लॉस फंक्शन का परिचय जो प्रेडिक्शन और अनसर्टेन्टी को अलग करता है, ओवर-स्मूथिंग को कम करता है और स्थिर प्रशिक्षण को सक्षम बनाता है।
सैद्धांतिक और अनुभवजन्य सत्यापन: यह कार्य हल्के अनुमानों के तहत एसिम्प्टोटिक और फाइनाइट-सैंपल-आधारित कवरेज के लिए सैद्धांतिक गारंटी प्रदान करता है और 19 विविध बेंचमार्क पर श्रेष्ठ प्रदर्शन प्रदर्शित करता है, जो कवरेज और इंटरवल चौड़ाई दोनों में स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में महत्वपूर्ण सुधार दिखाता है।

6. महत्व (Significance)

यह कार्य दावा करता है कि QPI GNN अनिश्चितता मात्रा निर्धारण के लिए एक कंप्यूटेशनल रूप से कुशल, मजबूत और कम धारणा-आधारित विधि प्रदान करके विश्वसनीय GNN अनुप्रयोगों में महत्वपूर्ण अंतर को पाटता है। कॉन्फॉर्मल प्रेडिक्शन के लिए आवश्यक मजबूत एक्सचेंजजेबिलिटी धारणाओं और बायेसियन विधियों के कम्प्यूटेशनल बोझ से बचकर, QPI GNN उच्च-जोखिम वाले डोमेन के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ विश्वसनीय प्रेडिक्शन इंटरवल आवश्यक हैं। लेखक नोट करते हैं कि यह विधि तब भी मजबूत रहती है जब सैद्धांतिक धारणाएं (जैसे समरूपता या स्वतंत्रता) वास्तविक दुनिया के ग्राफ डेटा में केवल अनुमानित रूप से पूरी होती हैं।

लेखकों द्वारा प्रस्तावित भविष्य के कार्यों में ग्राफ-आधारित और लिंक प्रेडिक्शन कार्यों तक QPI GNN का विस्तार करना, एलियटोरिक (aleatoric) और एपिस्टेमिक (epistemic) अनिश्चितता को अलग करना, और गतिशील या विकसित होते ग्राफों पर ढांचे को लागू करना शामिल है।