18、回归GNN模型预测不确定性量化与联邦图神经网络预测可重复性研究

回归GNN模型预测不确定性量化与联邦图神经网络预测可重复性研究

1. 回归GNN模型预测不确定性量化

在回归图神经网络（GNN）模型中，预测不确定性的量化是一个重要的问题。通过对集成模型的预测结果进行分析，可以更好地了解模型的可靠性。

1.1 集成认知分数预测与不确定性估计

• 目标分数预测 ：对于测试集中的第 (i) 个受试者，其目标分数的预测值 (M(G_i)) 由下式计算：
  [M(G_i) = \frac{1}{\alpha}\sum_{j = 1}^{\alpha}f_j(G_i)]
  其中，(f_j(G_i)) 是第 (j) 个基学习器对第 (i) 个受试者的预测值，(\alpha) 是基学习器的数量。
• 预测不确定性估计 ：预测不确定性通过计算集成模型预测结果的标准差来估计，公式如下：
  [\sigma^2(G_i) = \frac{1}{\alpha}\sum_{j = 1}^{\alpha}(f_j(G_i) - M(G_i))^2]
  在目标域断裂的情况下，结合不同聚类算法对第 (i) 个受试者的预测结果，得到最终的目标分数预测和预测不确定性估计：
  [M(G_i) = \frac{1}{K}\sum_{k = 1}^{K}M^k(G_i)]
  [\sigma^2(G_i) = \frac{1}{K}\sum_{k = 1}^{K}(\sigma^2)^k(G_i)]
  其中，(M^k(G_i)) 是使用第 (k) 个聚类算法训练和测试得到的第 (i) 个受试者的预测目标分数，((\sigma^