論文の概要: Graph Posterior Network: Bayesian Predictive Uncertainty for Node Classification

• arxiv url: http://arxiv.org/abs/2110.14012v1
• Date: Tue, 26 Oct 2021 20:41:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 13:08:30.029084
• Title: Graph Posterior Network: Bayesian Predictive Uncertainty for Node Classification
• Title（参考訳）: Graph Posterior Network: ノード分類のためのベイジアン予測不確実性
• Authors: Maximilian Stadler, Bertrand Charpentier, Simon Geisler, Daniel Z\"ugner, Stephan G\"unnemann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.86338466089894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interdependence between nodes in graphs is key to improve class predictions on nodes and utilized in approaches like Label Propagation (LP) or in Graph Neural Networks (GNN). Nonetheless, uncertainty estimation for non-independent node-level predictions is under-explored. In this work, we explore uncertainty quantification for node classification in three ways: (1) We derive three axioms explicitly characterizing the expected predictive uncertainty behavior in homophilic attributed graphs. (2) We propose a new model Graph Posterior Network (GPN) which explicitly performs Bayesian posterior updates for predictions on interdependent nodes. GPN provably obeys the proposed axioms. (3) We extensively evaluate GPN and a strong set of baselines on semi-supervised node classification including detection of anomalous features, and detection of left-out classes. GPN outperforms existing approaches for uncertainty estimation in the experiments.
• Abstract（参考訳）: グラフ内のノード間の相互依存は、ノードのクラス予測を改善する鍵であり、ラベル伝搬(LP)やグラフニューラルネットワーク(GNN)のようなアプローチで利用される。 それでも、非独立ノードレベルの予測に対する不確実性の推定は未探索である。 本研究では,ノード分類における不確かさの定量化について,(1)親和性帰属グラフの予測不確実性挙動を明示的に特徴付ける3つの公理を導出する。 2) 相互依存ノードの予測のためにベイズ後続更新を明示的に行う新しいモデルグラフ後続ネットワーク(gpn)を提案する。 GPNは確実に提案された公理に従う。 (3) GPNと強いベースラインを半教師付きノード分類に基づいて広範囲に評価し, 異常な特徴の検出, 左翼クラスの検出を行った。 gpnは実験における既存の不確実性推定手法を上回っている。

関連論文リスト

• CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks [21.602569813024]
  本研究では,予測不確実性の有意な定義がグラフデータに与える影響について検討する。 コミットに基づく不確実性量子化グラフニューラルネットワーク(CUQ-GNN)のファミリーを提案する。
  論文  参考訳（メタデータ） (2024-09-06T09:43:09Z)
• Revisiting Neighborhood Aggregation in Graph Neural Networks for Node Classification using Statistical Signal Processing [4.184419714263417]
  グラフニューラルネットワーク(GNN)の基本構成要素である近傍集約の概念を再評価する。 本分析では,エッジ独立ノードラベルの仮定の下での動作において,特定のベンチマークGNNモデル内の概念的欠陥を明らかにする。
  論文  参考訳（メタデータ） (2024-07-21T22:37:24Z)
• 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)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• 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)
• A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware Learning on Graphs [49.76175970328538]
  本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。 実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
  論文  参考訳（メタデータ） (2022-10-27T16:12:58Z)
• Debiased Graph Neural Networks with Agnostic Label Selection Bias [59.61301255860836]
  既存のグラフニューラルネットワーク(GNN)のほとんどは、データの選択バイアスを考慮せずに提案されている。 本稿では,デコリレーションレギュレータを区別した新しいデバイアスドグラフニューラルネットワーク(DGNN)を提案する。 DGNNは既存のGNNを強化するフレキシブルなフレームワークである。
  論文  参考訳（メタデータ） (2022-01-19T16:50:29Z)
• Uncertainty Aware Semi-Supervised Learning on Graph Data [18.695343563823798]
  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。
  論文  参考訳（メタデータ） (2020-10-24T04:56:46Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。