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

• arxiv url: http://arxiv.org/abs/2404.14642v3
• Date: Tue, 24 Jun 2025 10:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.214601
• 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: グラフィカルモデルに適した不確実性定量化技術の開発への関心が高まっている。 この調査は、グラフィカルモデルにおけるUQに特に集中することで、既存のほとんどのUQ調査と自身を区別する。 不確実性の原因をレビューした後、不確実性表現と不確実性処理という2つの高レベル次元を用いて作業の整理を行う。
• 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 have demonstrated their exceptional capabilities across numerous applications, such as social networks, citation networks, and online recommendation systems. However, their performance, confidence, and trustworthiness are often limited by the inherent randomness in data and the challenges of accurately modeling real-world complexities. There has been increased interest in developing uncertainty quantification (UQ) techniques tailored to graphical models. In this survey, we comprehensively examine existing works on UQ for graphical models, focusing on key aspects such as the sources, representation, handling, and evaluation of uncertainty. This survey distinguishes itself from most existing UQ surveys by specifically concentrating on UQ in graphical models, including probabilistic graphical models (PGMs) and graph neural networks (GNNs). After reviewing sources of uncertainty, we organize the work using two high-level dimensions: uncertainty representation and uncertainty handling. By offering a comprehensive overview of the current landscape, including both established methodologies and emerging trends, we aim to bridge gaps in understanding key challenges and opportunities in UQ for graphical models, hoping to inspire researchers working on graphical models or uncertainty quantification to make further advancements at the cross of the two fields.
• Abstract（参考訳）: グラフィカルモデルは、ソーシャルネットワーク、引用ネットワーク、オンラインレコメンデーションシステムなど、多くのアプリケーションにまたがって、その例外的な能力を実証してきた。 しかしながら、それらのパフォーマンス、信頼性、信頼性は、データ固有のランダム性や、現実世界の複雑さを正確にモデル化する難しさによって制限されることが多い。 グラフィカルモデルに適した不確実性定量化(UQ)技術の開発への関心が高まっている。 本研究では,グラフィカルモデルにおけるUQに関する既存の研究を包括的に検討し,情報源,表現,ハンドリング,不確実性評価といった重要な側面に注目した。 この調査は、確率的グラフィカルモデル(PGM)やグラフニューラルネットワーク(GNN)など、グラフィカルモデルにおけるUQを特に重視することで、既存のほとんどのUQ調査と区別している。 不確実性の原因をレビューした後、不確実性表現と不確実性処理という2つの高レベル次元を用いて作業の整理を行う。 確立された方法論と新興トレンドの両方を含む現在の状況の包括的概要を提供することで、グラフィカルモデルのUQにおける重要な課題と機会を理解するギャップを埋めることを目指しており、研究者たちがグラフィカルモデルや不確実性定量化に取り組んでいることを刺激し、2つの分野の交差でさらなる進歩を期待している。

関連論文リスト

• Uncertainty Quantification for Transformer Models for Dark-Pattern Detection [0.21427777919040417]
  本研究は、ユーザ決定を操作し、自律性と同意を損なう、暗パターン検出、偽造設計の選択に焦点を当てる。 本稿では, 変圧器を用いた事前学習モデルを用いた不確実性定量化により, 最終分類ヘッドに実装した微分微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T18:31:51Z)
• 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)
• Predictive Uncertainty Quantification for Bird's Eye View Segmentation: A Benchmark and Novel Loss Function [10.193504550494486]
  本稿では,Bird's Eye View (BEV)セグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。 本研究は,非分類および非分布画素の検出における定量化不確実性の有効性に焦点をあてる。 本研究では,不均衡なデータに特化して設計された新しい損失関数Uncertainty-Focal-Cross-Entropy (UFCE)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T16:32:46Z)
• 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。