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

• Variational Graph Convolutional Neural Networks [72.67088029389764]
  不確実性は、グラフ畳み込みネットワークの説明可能性を改善するのに役立つ。 不確実性は、モデルの結果を検証するために重要なアプリケーションでも使用することができる。
  論文  参考訳（メタデータ） (2025-07-02T13:28:37Z)
• A Survey on Image Quality Assessment: Insights, Analysis, and Future Outlook [6.925820483833189]
  画像品質評価(IQA)は、画像中心技術において重要な課題である。 IQAは、新しい建築パラダイムの出現を契機に、革新的な研究努力の顕著な急増を目撃している。 このサーベイは、アプリケーションシナリオに応じて組織された、現代のIQA方法論を広範囲に分析する。
  論文  参考訳（メタデータ） (2025-02-12T16:24:22Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• 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)
• Resilience in Knowledge Graph Embeddings [1.90894751866253]
  我々は、一般化、性能の整合性、分散適応、堅牢性といったいくつかの要因を含む、レジリエンスを一元的に定義する。 調査の結果,既存の研究のほとんどはレジリエンス,すなわち堅牢性に重点を置いていることがわかった。
  論文  参考訳（メタデータ） (2024-10-28T16:04:22Z)
• 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)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• 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)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• ScatterUQ: Interactive Uncertainty Visualizations for Multiclass Deep Learning Problems [0.0]
  ScatterUQは、ユーザがコンテキスト駆動の不確実性設定におけるモデルパフォーマンスをよりよく理解できるように、ターゲットの可視化を提供するインタラクティブシステムである。 本稿では,Fashion-MNISTを訓練した距離認識ニューラルネットワーク上でのマルチクラス画像分類におけるモデル不確実性を説明するために,ScatterUQの有効性を示す。 以上の結果から,ScatterUQシステムは任意のマルチクラスデータセットにスケールすべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-08-08T21:17:03Z)
• Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search [2.711812013460678]
  本稿では,分子特性予測のための自動不確実性定量化(UQ)手法であるAutoGNNUQを紹介する。 我々のアプローチでは、分散分解を用いてデータ(アラート)とモデル(エステミック)の不確実性を分離し、それらを減らすための貴重な洞察を提供する。 AutoGNNUQは、正確な不確実性定量化が意思決定に不可欠である薬物発見や材料科学などの領域で広く適用可能である。
  論文  参考訳（メタデータ） (2023-07-19T20:03:42Z)
• 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。