Fugu-MT 論文翻訳(概要): Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks

論文の概要: Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks

arxiv url: http://arxiv.org/abs/2312.00232v1
Date: Thu, 30 Nov 2023 22:32:24 GMT
ステータス: 処理完了
システム内更新日: 2023-12-04 16:15:18.008851
Title: Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks
Title（参考訳）: ベイズニューラルネットワークを用いたグラフコントラスト学習の不確かさ
Authors: Alexander M\"ollers, Alexander Immer, Elvin Isufi, Vincent Fortuin
Abstract要約: 変分ベイズニューラルネットワークは不確実性推定を改善するために有効であることを示す。比較学習における不確実性の新たな尺度を提案するが、これは異なる正のサンプルによる可能性の相違に基づくものである。
参考スコア（独自算出の注目度）: 101.56637264703058
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Graph contrastive learning has shown great promise when labeled data is scarce, but large unlabeled datasets are available. However, it often does not take uncertainty estimation into account. We show that a variational Bayesian neural network approach can be used to improve not only the uncertainty estimates but also the downstream performance on semi-supervised node-classification tasks. Moreover, we propose a new measure of uncertainty for contrastive learning, that is based on the disagreement in likelihood due to different positive samples.
Abstract（参考訳）: グラフの対照的な学習は、ラベル付きデータが不足している場合には大きな可能性を秘めている。しかし、不確実性の推定を考慮に入れないことが多い。変分ベイズ型ニューラルネットワークアプローチは,不確実性推定だけでなく,半教師付きノード分類タスクのダウンストリーム性能の向上にも有効であることを示す。さらに, 異なる正のサンプルによる確率の不一致に基づく, コントラスト学習のための新しい不確実性尺度を提案する。

関連論文リスト

Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文参考訳（メタデータ） (2023-03-03T16:12:59Z)
Training Uncertainty-Aware Classifiers with Conformalized Deep Learning [7.837881800517111]
ディープニューラルネットワークは、データ内の隠れパターンを検出し、それらを活用して予測する強力なツールであるが、不確実性を理解するように設計されていない。我々は予測力を犠牲にすることなく、より信頼性の高い不確実性推定を導出できる新しいトレーニングアルゴリズムを開発した。
論文参考訳（メタデータ） (2022-05-12T05:08:10Z)
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)
Bayesian Neural Networks for Reversible Steganography [0.7614628596146599]
ベイズ深層学習の理論的枠組みに基づく予測モデルにおける不確実性を検討することを提案する。我々はモンテカルロサンプリングによる後方予測分布を可逆な前方通過で近似した。予測の不確実性はアレータリックな不確実性に切り離すことができ、これらの量は教師なしの方法で学習可能であることを示す。
論文参考訳（メタデータ） (2022-01-07T14:56:33Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
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)
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)
Uncertainty Estimation for End-To-End Learned Dense Stereo Matching via Probabilistic Deep Learning [0.0]
重極補正ステレオ画像対からの結合深さと不確実性推定のタスクに対して,新しい確率的ニューラルネットワークを提案する。ネットワークは、予測毎にパラメータがサンプリングされる確率分布を学習する。推定深度と不確実性情報の質を3つの異なるデータセットで広範囲に評価する。
論文参考訳（メタデータ） (2020-02-10T11:27:52Z)

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。