GRAPHLCP: 그래프 상의 구조 인식 국소적 공형 예측

공형 예측(Conformal prediction, CP)은 유한 표본 보장(finite-sample guarantees)을 갖춘 분포 비의존적 접근 방식을 통해 불확실성 정량화(uncertainty quantification)를 제공합니다. 하지만 그래프 신경망(Graph Neural Networks, GNNs)에 CP를 적용하는 것은 여전히 어렵습니다. 왜냐하면 그래프의 조합론적 특성이 종종 충분히 확실하지 않은 예측과 구별력이 떨어지는 임베딩을 초래하기 때문입니다. 기존 방법들은 주로 국소화(localization)를 위해 임베딩 공간 근접성(embedding-space proximity)에 의존하는데, 이는 그래프에서는 신뢰할 수 없으며 비효율적인 예측 집합을 산출할 수 있습니다. 본 논문은 그래프의 위상 구조(graph topology)와 노드 간 종속성을 국소화 및 가중치 부여에 명시적으로 통합하는 근접성 기반 국소적 CP 프레임워크인 GRAPHLCP를 제안합니다. 저희 접근 방식은 희소 그래프에서 국소성 편향(locality bias)을 완화하기 위해 특징 인식 밀도화 단계(feature-aware densification step)를 도입하고, 구조적 근접성을 모델링하기 위해 개인화된 PageRank 기반 커널 계산을 수행합니다. 이를 통해 지역적 및 장거리 종속성(local and long-range dependencies)을 모두 포착하는 위상 의존적 앵커 샘플링(topology-dependent anchor sampling)과 보정 가중치 부여가 가능해집니다. 여러 회귀 및 분류 데이터셋에 대한 광범위한 실험 결과, GRAPHLCP는 유한 표본에서 주변 커버리지(marginal coverage)를 보장하는 동시에 다양한 조건화 시나리오 전반에 걸쳐 우수한 테스트 조건부 커버리지(test conditional coverage)를 효율적으로 달성함을 입증했습니다.