arXiv 2026年10月5日该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。图节点分类的认知不确定性新框架：EDL方法不满足信息增长一致性，图自助集成可恢复不确定性收缩该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。