Fugu-MT 論文翻訳(概要): Conformal Load Prediction with Transductive Graph Autoencoders

論文の概要: Conformal Load Prediction with Transductive Graph Autoencoders

arxiv url: http://arxiv.org/abs/2406.08281v1
Date: Wed, 12 Jun 2024 14:47:27 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 16:26:24.134188
Title: Conformal Load Prediction with Transductive Graph Autoencoders
Title（参考訳）: トランスダクティブグラフオートエンコーダによるコンフォーマル負荷予測
Authors: Rui Luo, Nicolo Colombo,
Abstract要約: 本稿では,エッジウェイト予測のためのグラフニューラルネットワーク(GNN)アプローチについて述べる。我々は、共形予測を利用してGNN出力を校正し、有効な予測間隔を生成する。
参考スコア（独自算出の注目度）: 1.5634429098976406
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting edge weights on graphs has various applications, from transportation systems to social networks. This paper describes a Graph Neural Network (GNN) approach for edge weight prediction with guaranteed coverage. We leverage conformal prediction to calibrate the GNN outputs and produce valid prediction intervals. We handle data heteroscedasticity through error reweighting and Conformalized Quantile Regression (CQR). We compare the performance of our method against baseline techniques on real-world transportation datasets. Our approach has better coverage and efficiency than all baselines and showcases robustness and adaptability.
Abstract（参考訳）: グラフ上のエッジ重みの予測には、輸送システムからソーシャルネットワークまで、さまざまな応用がある。本稿では,エッジウェイト予測のためのグラフニューラルネットワーク(GNN)アプローチについて述べる。我々は、共形予測を利用してGNN出力を校正し、有効な予測間隔を生成する。エラー再重み付けとCQR(Conformalized Quantile Regression)によって、データの異方性を扱う。実世界の交通データセットにおけるベースライン手法と比較して,本手法の性能を比較した。このアプローチは、すべてのベースラインよりもカバー範囲と効率性が良く、堅牢性と適応性を示します。

関連論文リスト

Graph Sparsification for Enhanced Conformal Prediction in Graph Neural Networks [5.896352342095999]
Conformal Predictionは、マシンラーニングタスク間の信頼性の高いカバレッジを保証する、堅牢なフレームワークである。 SparGCPはグラフスペーシフィケーションと共形予測固有の目的をGNNトレーニングに組み込んでいる。実世界のグラフデータセットの実験では、SparGCPが既存のメソッドより優れていることが示されている。
論文参考訳（メタデータ） (2024-10-28T23:53:51Z)
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)
ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
論文参考訳（メタデータ） (2024-03-14T08:31:39Z)
Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文参考訳（メタデータ） (2023-12-19T12:25:10Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
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に基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文参考訳（メタデータ） (2023-05-23T21:38:23Z)
Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-08T02:45:47Z)
Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文参考訳（メタデータ） (2021-06-05T13:20:36Z)

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。