論文の概要: Uncertainty Aware Semi-Supervised Learning on Graph Data

• arxiv url: http://arxiv.org/abs/2010.12783v2
• Date: Tue, 24 Nov 2020 23:21:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:18:25.904564
• Title: Uncertainty Aware Semi-Supervised Learning on Graph Data
• Title（参考訳）: グラフデータに基づく半教師付き学習の不確実性
• Authors: Xujiang Zhao, Feng Chen, Shu Hu, Jin-Hee Cho
• Abstract要約: ノード分類予測のためのグラフニューラルネットワーク(GNN)を用いたマルチソース不確実性フレームワークを提案する。 トレーニングノードのラベルからエビデンスを収集することにより、ノードレベルのディリクレ分布を正確に予測するグラフベースのカーネルディリクレ分布推定(GKDE)法が設計されている。 その結果,不協和性検出は誤分類検出において最良であり,空洞性検出はOOD検出において最良であることがわかった。
• 参考スコア（独自算出の注目度）: 18.695343563823798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to graph neural networks (GNNs), semi-supervised node classification has shown the state-of-the-art performance in graph data. However, GNNs have not considered different types of uncertainties associated with class probabilities to minimize risk of increasing misclassification under uncertainty in real life. In this work, we propose a multi-source uncertainty framework using a GNN that reflects various types of predictive uncertainties in both deep learning and belief/evidence theory domains for node classification predictions. By collecting evidence from the given labels of training nodes, the Graph-based Kernel Dirichlet distribution Estimation (GKDE) method is designed for accurately predicting node-level Dirichlet distributions and detecting out-of-distribution (OOD) nodes. We validated the outperformance of our proposed model compared to the state-of-the-art counterparts in terms of misclassification detection and OOD detection based on six real network datasets. We found that dissonance-based detection yielded the best results on misclassification detection while vacuity-based detection was the best for OOD detection. To clarify the reasons behind the results, we provided the theoretical proof that explains the relationships between different types of uncertainties considered in this work.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)のおかげで、半教師付きノード分類はグラフデータの最先端のパフォーマンスを示している。 しかし、gnnは、実生活における不確実性の下での誤分類を増加させるリスクを最小限に抑えるために、クラス確率に関連する異なるタイプの不確実性を検討していない。 本研究では,ノード分類予測のための深層学習と信念・エビデンス理論の両領域における様々な種類の予測不確かさを反映したGNNを用いたマルチソース不確実性フレームワークを提案する。 トレーニングノードのラベルからエビデンスを収集することにより、ノードレベルのディリクレ分布を正確に予測し、アウト・オブ・ディストリビューション(OOD)ノードを検出するためにグラフベースのカーネルディリクレ分布推定(GKDE)法が設計されている。 6つの実ネットワークデータセットに基づく誤分類検出とOOD検出の観点から,提案モデルの有効性を最先端モデルと比較した。 その結果,不協和性検出は誤分類検出において最良であり,空洞性検出はOOD検出において最良であることがわかった。 本研究の背景にある要因を明らかにするため,本研究で検討した異なるタイプの不確実性間の関係を説明する理論的証明を行った。

関連論文リスト

• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Improvements on Uncertainty Quantification for Node Classification via Distance-Based Regularization [4.121906004284458]
  ディープニューラルネットワークはここ数十年で大きな成功を収めてきたが、十分に校正されておらず、しばしば信頼性の低い予測を生み出している。 本稿では,クラスタ化された OOD ノードが潜時空間に留まることを奨励する距離ベース正規化を提案する。 我々は,8つの標準データセットに対する広範な比較実験を行い,提案手法がOOD検出と誤分類検出の両方において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-10T00:00:20Z)
• Uncertainty Propagation in Node Classification [9.03984964980373]
  本稿では,ノード分類作業におけるグラフニューラルネットワーク(GNN)の不確実性の測定に焦点をあてる。 ベイジアンモデリングフレームワークにGNNを組み込んだベイジアン不確実性伝播(BUP)法を提案する。 本稿では,GNNが学習過程における予測的不確実性を明確に統合できるようにするノード分類における不確実性指向の損失について述べる。
  論文  参考訳（メタデータ） (2023-04-03T12:18:23Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Graph Posterior Network: Bayesian Predictive Uncertainty for Node Classification [37.86338466089894]
  非独立ノードレベルの予測の不確実性推定は未探索である。 本稿では,ノード上の予測に対してベイズ的後続更新を明示的に実行する新しいモデルグラフポストリアネットワークを提案する。 GPNは実験において、不確実性推定のための既存のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-10-26T20:41:20Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。