論文の概要: Uncertainty Quantification on Graph Learning: A Survey

• arxiv url: http://arxiv.org/abs/2404.14642v1
• Date: Tue, 23 Apr 2024 00:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 15:50:59.342492
• Title: Uncertainty Quantification on Graph Learning: A Survey
• Title（参考訳）: グラフ学習における不確かさの定量化:サーベイ
• Authors: Chao Chen, Chenghua Guo, Rui Xu, Xiangwen Liao, Xi Zhang, Sihong Xie, Hui Xiong, Philip Yu,
• Abstract要約: 本研究は,GNNとPGMのモデルアーキテクチャ,トレーニング,推論における不確実性の定量化に対処する最近の研究について検討する。 本稿では,最新の手法を不確実性表現とハンドリングに整理することにより,グラフィカルモデルにおける現在の不確実性状況の概要を明らかにすることを目的とする。
• 参考スコア（独自算出の注目度）: 28.256611457396158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphical models, including Graph Neural Networks (GNNs) and Probabilistic Graphical Models (PGMs), have demonstrated their exceptional capabilities across numerous fields. These models necessitate effective uncertainty quantification to ensure reliable decision-making amid the challenges posed by model training discrepancies and unpredictable testing scenarios. This survey examines recent works that address uncertainty quantification within the model architectures, training, and inference of GNNs and PGMs. We aim to provide an overview of the current landscape of uncertainty in graphical models by organizing the recent methods into uncertainty representation and handling. By summarizing state-of-the-art methods, this survey seeks to deepen the understanding of uncertainty quantification in graphical models, thereby increasing their effectiveness and safety in critical applications.
• Abstract（参考訳）: Graph Neural Networks (GNN) や Probabilistic Graphical Models (PGM) を含むグラフィカルモデルは、多くの分野にわたってその例外的な能力を実証している。 これらのモデルは、モデルトレーニングの相違や予測不可能なテストシナリオによって引き起こされる課題の中で、信頼できる意思決定を保証するために効果的な不確実性定量化を必要とする。 本研究は,GNNとPGMのモデルアーキテクチャ,トレーニング,推論における不確実性の定量化に対処する最近の研究について検討する。 本稿では,最新の手法を不確実性表現とハンドリングに整理することにより,グラフィカルモデルにおける現在の不確実性状況の概要を概観することを目的とする。 本研究は,最先端の手法を要約することにより,グラフィカルモデルにおける不確実性定量化の理解を深め,重要なアプリケーションにおける有効性と安全性を高めることを目的とする。

関連論文リスト

• A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation [0.0]
  画像セグメンテーションの進歩は、ディープラーニングベースのコンピュータビジョンの広い範囲において重要な役割を果たす。 この文脈において不確かさの定量化が広く研究され、モデル無知(認識の不確実性)やデータ曖昧さ(アラート的不確実性)を表現し、不正な意思決定を防ぐことができる。 この研究は、分野の進歩を左右する不確実性の基本概念と様々なタスクへの応用について議論することで、確率的セグメンテーションの包括的概要を提供する。
  論文  参考訳（メタデータ） (2024-11-25T13:26:09Z)
• 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)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• Post-hoc Uncertainty Learning using a Dirichlet Meta-Model [28.522673618527417]
  本研究では,不確実性定量化能力の優れた事前学習モデルを構築するための新しいベイズメタモデルを提案する。 提案手法は追加のトレーニングデータを必要としないため,不確かさの定量化に十分な柔軟性がある。 提案するメタモデルアプローチの柔軟性と,これらのアプリケーションに対する優れた経験的性能を実証する。
  論文  参考訳（メタデータ） (2022-12-14T17:34:11Z)
• On Testability and Goodness of Fit Tests in Missing Data Models [7.52579126252489]
  我々は,データグラフィカルモデルが欠落している3つのクラスにおいて,テスト可能な意味に関する新たな洞察を提供する。 探索されたモデルのクラスは、シーケンシャルな非ランダムモデルと非ランダムモデルである。
  論文  参考訳（メタデータ） (2022-02-28T23:03:54Z)
• 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)
• Understanding Uncertainty in Bayesian Deep Learning [0.0]
  我々は,NLMの従来のトレーニング手順が,データスカース領域における不確実性を大幅に過小評価できることを示した。 本稿では,有用な予測の不確実性を捉えるとともに,ドメイン知識の組み入れを可能にする新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T19:22:17Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• 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。