論文の概要: JuryGCN: Quantifying Jackknife Uncertainty on Graph Convolutional
Networks
- arxiv url: http://arxiv.org/abs/2210.05959v1
- Date: Wed, 12 Oct 2022 06:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:37:22.417170
- Title: JuryGCN: Quantifying Jackknife Uncertainty on Graph Convolutional
Networks
- Title(参考訳): JuryGCN: グラフ畳み込みネットワークにおけるJackknifeの不確かさの定量化
- Authors: Jian Kang, Qinghai Zhou, Hanghang Tong
- Abstract要約: グラフ畳み込みネットワーク(GCN)は多くの実世界のアプリケーションで強力な経験的性能を示した。
信頼できるグラフマイニングの基礎でありながら、GCNに関する不確実性は十分に研究されていない。
本稿では、GCNの不確かさを定量化するために、JuryGCNという最初の頻繁なアプローチを提案する。
- 参考スコア(独自算出の注目度): 37.33969742541106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Convolutional Network (GCN) has exhibited strong empirical performance
in many real-world applications. The vast majority of existing works on GCN
primarily focus on the accuracy while ignoring how confident or uncertain a GCN
is with respect to its predictions. Despite being a cornerstone of trustworthy
graph mining, uncertainty quantification on GCN has not been well studied and
the scarce existing efforts either fail to provide deterministic quantification
or have to change the training procedure of GCN by introducing additional
parameters or architectures. In this paper, we propose the first
frequentist-based approach named JuryGCN in quantifying the uncertainty of GCN,
where the key idea is to quantify the uncertainty of a node as the width of
confidence interval by a jackknife estimator. Moreover, we leverage the
influence functions to estimate the change in GCN parameters without
re-training to scale up the computation. The proposed JuryGCN is capable of
quantifying uncertainty deterministically without modifying the GCN
architecture or introducing additional parameters. We perform extensive
experimental evaluation on real-world datasets in the tasks of both active
learning and semi-supervised node classification, which demonstrate the
efficacy of the proposed method.
- Abstract(参考訳): グラフ畳み込みネットワーク(GCN)は多くの実世界のアプリケーションで強力な経験的性能を示した。
GCNに関する既存の研究の大部分は、GCNの予測に対する信頼性や不確実性を無視しながら、その正確性に重点を置いている。
信頼できるグラフマイニングの基盤であるにもかかわらず、GCNに関する不確実な定量化は十分に研究されておらず、決定論的定量化の提供に失敗したり、追加のパラメータやアーキテクチャを導入してGCNのトレーニング手順を変更する必要があった。
本稿では,gcnの不確かさを定量化する最初の手法であるjuicegcnを提案する。ここでは,jackknife推定器による信頼区間の幅としてノードの不確かさを定量化する。
さらに,GCNパラメータの変化を計算のスケールアップのために再学習することなく推定するために,影響関数を利用する。
提案したJuryGCNは、GCNアーキテクチャを変更したり追加パラメータを導入することなく、不確実性を決定的に定量化することができる。
提案手法の有効性を示すアクティブラーニングと半教師付きノード分類の両方のタスクにおいて,実世界のデータセットを広範囲に実験的に評価する。
関連論文リスト
- Conditional Uncertainty Quantification for Tensorized Topological Neural Networks [19.560300212956747]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトスタンダードとなっている。
近年の研究では、GNNによる不確実性推定の統計的信頼性に関する懸念が高まっている。
本稿では,交換不能なグラフ構造化データの不確かさを定量化する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-20T01:03:40Z) - 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) - ConU: Conformal Uncertainty in Large Language Models with Correctness Coverage Guarantees [68.33498595506941]
自己整合性理論に基づく新しい不確実性尺度を導入する。
次に,CPアルゴリズムに正当性に整合した不確かさ条件を組み込むことにより,適合性不確かさの基準を策定する。
実証的な評価は、我々の不確実性測定が過去の最先端手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2024-06-29T17:33:07Z) - Accurate and Scalable Estimation of Epistemic Uncertainty for Graph Neural Networks [38.17680286557666]
固有GNNの不確実性推定を改善するための新しいトレーニングフレームワークを提案する。
我々のフレームワークは、新しいグラフアンカー戦略を通じて、データをグラフデータに中心付けるという原則に適応する。
本研究は,GNNの不確実性推定に関する知見を提供し,信頼度推定におけるG-$Delta$UQの有用性を実証する。
論文 参考訳(メタデータ) (2024-01-07T00:58:33Z) - Accurate and Scalable Estimation of Epistemic Uncertainty for Graph
Neural Networks [40.95782849532316]
信頼性インジケータ(CI)は、分散シフト下でグラフニューラルネットワーク(GNN)の安全なデプロイには不可欠である。
表現率やモデルサイズの増加がCIパフォーマンスの向上につながるとは限らないことを示す。
我々は最近提案されたフレームワークを拡張する新しい単一モデルUQ手法であるG-$UQを提案する。
全体として、我々の研究は、新しいフレキシブルなGNN UQメソッドを導入するだけでなく、安全クリティカルなタスクに関するGNN CIに関する新たな洞察も提供する。
論文 参考訳(メタデータ) (2023-09-20T00:35:27Z) - RawlsGCN: Towards Rawlsian Difference Principle on Graph Convolutional
Network [102.27090022283208]
グラフ畳み込みネットワーク(GCN)は多くの現実世界のアプリケーションにおいて重要な役割を担っている。
GCNはしばしばノードの次数に対する性能の相違を示し、結果として低次ノードの予測精度が悪化する。
我々は、Rawlsian差分原理の観点から、GCNの次数関連性能格差を緩和する問題を定式化する。
論文 参考訳(メタデータ) (2022-02-28T05:07:57Z) - 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) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳(メタデータ) (2021-07-01T17:59:07Z) - AN-GCN: An Anonymous Graph Convolutional Network Defense Against
Edge-Perturbing Attack [53.06334363586119]
近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。
まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。
これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
論文 参考訳(メタデータ) (2020-05-06T08:15:24Z)
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。