論文の概要: A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware
Learning on Graphs
- arxiv url: http://arxiv.org/abs/2210.15575v1
- Date: Thu, 27 Oct 2022 16:12:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:26:11.273947
- Title: A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware
Learning on Graphs
- Title(参考訳): グラフはそのノード以上である:グラフ上の構造化不確実性認識学習に向けて
- Authors: Hans Hao-Hsun Hsu, Yuesong Shen, Daniel Cremers
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.76175970328538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current graph neural networks (GNNs) that tackle node classification on
graphs tend to only focus on nodewise scores and are solely evaluated by
nodewise metrics. This limits uncertainty estimation on graphs since nodewise
marginals do not fully characterize the joint distribution given the graph
structure. In this work, we propose novel edgewise metrics, namely the edgewise
expected calibration error (ECE) and the agree/disagree ECEs, which provide
criteria for uncertainty estimation on graphs beyond the nodewise setting. Our
experiments demonstrate that the proposed edgewise metrics can complement the
nodewise results and yield additional insights. Moreover, we show that GNN
models which consider the structured prediction problem on graphs tend to have
better uncertainty estimations, which illustrates the benefit of going beyond
the nodewise setting.
- Abstract(参考訳): グラフ上のノード分類に取り組む現在のグラフニューラルネットワーク(GNN)は、ノードワイズスコアのみに着目し、ノードワイズメトリクスによってのみ評価される傾向にある。
これは、辺辺がグラフ構造を与えられたジョイント分布を完全に特徴付けるわけではないため、グラフ上の不確かさの推定を制限する。
本研究では,エッジワイドキャリブレーション誤差(ECE)とアライアンス/ディスアグリーECEという,ノードワイド設定以上のグラフの不確実性推定基準を提供する新しいエッジワイドメトリクスを提案する。
実験により,提案するエッジワイズ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できることを示した。
さらに,グラフ上の構造的予測問題を考慮したGNNモデルでは不確実性の推定が向上する傾向にあり,ノードワイド設定を超える利点が示される。
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) - Probability Passing for Graph Neural Networks: Graph Structure and Representations Joint Learning [8.392545965667288]
グラフニューラルネットワーク(GNN)は、幅広い領域にわたる非ユークリッドデータの解析において顕著な成功を収めている。
この問題を解決するために、ノード特徴の類似性やエッジ確率を計算することにより、タスク固有の潜在構造を推論するために、遅延グラフ推論(LGI)を提案する。
本稿では,隣接ノードのエッジ確率を集約することにより,生成したグラフ構造を洗練するためのProbability Passingという新しい手法を提案する。
論文 参考訳(メタデータ) (2024-07-15T13:01:47Z) - 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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - The Graphical Nadaraya-Watson Estimator on Latent Position Models [0.0]
我々は、ラベルのないノードがラベル付き隣人の観測平均を予測する平均推定器の品質に興味を持っている。
推定器自体は非常に単純であるが、グラフニューラルネットワークのようなより洗練された手法により、グラフ上の学習の理論的理解に寄与すると我々は信じている。
論文 参考訳(メタデータ) (2023-03-30T08:56:28Z) - ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural
Networks via Normalization [80.90206641975375]
本稿では,正規化によるGNNの性能向上に焦点をあてる。
グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。
ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
論文 参考訳(メタデータ) (2022-06-16T13:49:09Z) - 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) - Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural
Networks [74.26734952400925]
ノード埋め込み次元選択(NEDS)のための最小グラフエントロピー(MinGE)アルゴリズムを提案する。
ミンゲは、グラフ上の特徴エントロピーと構造エントロピーの両方を考えており、それらはそれらのリッチな情報の特徴に従って慎重に設計されている。
ベンチマークデータセット上で人気のグラフニューラルネットワーク(GNN)を用いた実験は,提案したMinGEの有効性と一般化性を示す。
論文 参考訳(メタデータ) (2021-05-07T11:40:29Z)
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。