Fugu-MT 論文翻訳(概要): Valid Conformal Prediction for Dynamic GNNs

論文の概要: Valid Conformal Prediction for Dynamic GNNs

arxiv url: http://arxiv.org/abs/2405.19230v2
Date: Wed, 26 Mar 2025 11:54:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-27 13:18:57.807191
Title: Valid Conformal Prediction for Dynamic GNNs
Title（参考訳）: 動的GNNの正当性予測
Authors: Ed Davis, Ian Gallagher, Daniel John Lawson, Patrick Rubin-Delanchy,
Abstract要約: 我々はテンソル文献で知られている動的グラフ表現を展開として使用し、共形予測によって有効な予測セットを達成する。私たちの重要な貢献の1つは、動的グラフモデリングの文脈で起こりうる異なる推論シナリオに関する慎重に数学的考察である。有効性を示し、ベースラインよりも精度が向上し、異なる障害モードにサインポストした実データ例を提供する。
参考スコア（独自算出の注目度）: 5.64979077798699
License:
Abstract: Dynamic graphs provide a flexible data abstraction for modelling many sorts of real-world systems, such as transport, trade, and social networks. Graph neural networks (GNNs) are powerful tools allowing for different kinds of prediction and inference on these systems, but getting a handle on uncertainty, especially in dynamic settings, is a challenging problem. In this work we propose to use a dynamic graph representation known in the tensor literature as the unfolding, to achieve valid prediction sets via conformal prediction. This representation, a simple graph, can be input to any standard GNN and does not require any modification to existing GNN architectures or conformal prediction routines. One of our key contributions is a careful mathematical consideration of the different inference scenarios which can arise in a dynamic graph modelling context. For a range of practically relevant cases, we obtain valid prediction sets with almost no assumptions, even dispensing with exchangeability. In a more challenging scenario, which we call the semi-inductive regime, we achieve valid prediction under stronger assumptions, akin to stationarity. We provide real data examples demonstrating validity, showing improved accuracy over baselines, and sign-posting different failure modes which can occur when those assumptions are violated.
Abstract（参考訳）: 動的グラフは、トランスポート、トレーディング、ソーシャルネットワークなど、さまざまな現実世界のシステムをモデル化するための柔軟なデータ抽象化を提供する。グラフニューラルネットワーク(GNN)は、これらのシステム上でさまざまな種類の予測と推論を可能にする強力なツールだが、特に動的設定において不確実性に対処することは難しい問題である。そこで本研究では,テンソル文学で知られた動的グラフ表現を展開として使用して,共形予測による有効な予測セットを実現することを提案する。この表現は単純なグラフであり、任意の標準GNNに入力することができ、既存のGNNアーキテクチャや共形予測ルーチンを変更する必要はない。私たちの重要な貢献の1つは、動的グラフモデリングの文脈で起こりうる異なる推論シナリオに関する慎重に数学的考察である。実際に関係のある様々なケースに対して、ほぼ仮定のない有効な予測セットを得ることができ、交換性も不要である。半帰納的体制と呼ばれるより困難なシナリオでは、定常性に似た強い仮定の下で有効な予測が達成される。有効性を示す実データ例を提供し、ベースラインよりも精度が向上し、それらの仮定に違反した場合に起こりうる異なる障害モードにサインポストする。

関連論文リスト

RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
論文参考訳（メタデータ） (2024-08-25T12:51:19Z)
Conditional Shift-Robust Conformal Prediction for Graph Neural Network [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。有効性にもかかわらず、GNNは堅牢な不確実性推定を提供する能力に制限がある。本稿では,GNNに対する条件シフトロバスト(CondSR)の共形予測を提案する。
論文参考訳（メタデータ） (2024-05-20T11:47:31Z)
Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
論文参考訳（メタデータ） (2024-03-15T01:28:08Z)
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)
Distribution Free Prediction Sets for Node Classification [0.0]
我々は、共形予測の最近の進歩を活用し、帰納学習シナリオにおけるノード分類のための予測セットを構築する。我々は、一般的なGNNモデルを用いた標準ベンチマークデータセットの実験を通して、共形予測の簡単な応用よりも、より厳密でより良い予測セットを提供することを示す。
論文参考訳（メタデータ） (2022-11-26T12:54:45Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Continuous-Depth Neural Models for Dynamic Graph Prediction [16.89981677708299]
連続深度グラフニューラルネットワーク(GNN)の枠組みを紹介する。ニューラルグラフ微分方程式(ニューラルグラフ微分方程式)は、GNNに対抗して形式化される。その結果、遺伝的制御ネットワークにおけるトラフィック予測や予測など、アプリケーション全体にわたって提案されたモデルの有効性が証明された。
論文参考訳（メタデータ） (2021-06-22T07:30:35Z)
Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文参考訳（メタデータ） (2020-06-07T07:06:35Z)
Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。