[发明专利]基于可信图神经网络的决策可靠性评估方法、装置及设备

权利要求书

1.一种基于可信图神经网络的决策可靠性评估方法，其特征在于，所述方法包括：

获取初始图神经网络模型和测试集；所述图神经网络模型为决策模型；所述测试集包括决策样本和决策结果；

根据所述初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；

根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差；

根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，根据判断结果构建所述初始图神经网络模型的图校准损失函数，利用所述图校准损失函数对所述初始图神经网络模型进行训练，得到可信图神经网络模型；

根据所述可信图神经网络模型的校准误差和所述可信图神经网络模型进行决策评估。

2.根据权利要求1所述的方法，其特征在于，根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差，包括：

根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差为其中，表示决策结果的标签，y_i表示测试集里的真实标签，表示预测分布，为网络做出预测决策的置信度，p表示目标分布，为网络做出正确决策的真实概率。

3.根据权利要求1所述的方法，其特征在于，根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，根据判断结果构建所述初始图神经网络模型的图校准损失函数，包括：

根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，若所述预期校准误差大于预先设置的误差阈值，则判断所述初始图神经网络模型需要被校准，构建所述初始图神经网络模型的图校准损失函数。

4.根据权利要求3所述的方法，其特征在于，构建所述初始图神经网络模型的图校准损失函数的过程包括：

获取目标分布和预测分布；所述目标分布为网络做出正确决策的真实概率；所述预测分布为初始图神经网络模型做出预测决策的置信度；

对所述目标分布和预测分布进行散度计算，得到KL散度；

根据所述目标分布和预测分布的熵的乘积构建正则化器，将所述KL散度和所述正则化器的正则化计算，得到图校准损失函数。

5.根据权利要求4所述的方法，其特征在于，将所述KL散度和正则化器的正则化计算，得到图校准损失函数，包括：

将所述KL散度和正则化器的正则化计算，得到图校准损失函数为其中，γ表示正则化参数，表示预测分布和目标分布p的熵的乘积。

6.根据权利要求1所述的方法，其特征在于，根据所述可信图神经网络模型的校准误差和所述可信图神经网络模型进行决策评估，包括：

对所述可信图神经网络模型的校准误差进行判断，若所述校准误差不小于预先设置的误差阈值，则继续对所述可信图神经网络模型进行校准，直至可信图神经网络模型的校准误差小于预先设置的误差阈值，再利用所述可信图神经网络模型进行决策。

7.一种基于可信图神经网络的决策可靠性评估装置，其特征在于，所述装置包括：

数据获取模块，用于获取初始图神经网络模型和测试集；所述图神经网络模型为决策模型；所述测试集包括决策样本和决策结果；

预期校准误差计算模块，用于根据所述初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差；

决策评估模块，用于根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，根据判断结果构建所述初始图神经网络模型的图校准损失函数，利用所述图校准损失函数对所述初始图神经网络模型进行训练，得到可信图神经网络模型；根据所述可信图神经网络模型的校准误差和所述可信图神经网络模型进行决策评估。