그래프 신경망은 다양한 네트워크 모델링 작업에서 인상적인 결과를 달성했지만, 특히 분포 이동 하에서 그래프의 불확실성을 정확하게 추정하는 것은 여전히 어렵습니다. 본 논문에서는 Matern Gaussian Process에 의해 구동되는 확률적 편미분 방정식(SPDE)의 진화와 GNN 레이어를 사용한 메시지 전달 사이의 유사성을 통해, Gaussian Process 접근 방식에서 영감을 얻어 공간-시간 노이즈를 통합하는 새로운 메시지 전달 방식을 설계하는 원리를 제시합니다. 이 방법은 공간과 시간에 걸쳐 불확실성을 동시에 포착하고 공분산 커널의 매끄러움에 대한 명시적인 제어를 허용하여, 낮은 레이블 정보량과 높은 레이블 정보량을 가진 그래프 모두에서 불확실성 추정을 향상시킵니다. 다양한 레이블 정보량을 가진 그래프 데이터 세트에서 Out-of-Distribution (OOD) 감지에 대한 광범위한 실험을 통해 본 모델의 견고함과 기존 접근 방식에 대한 우수성을 입증합니다.
