Fugu-MT 論文翻訳(概要): Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations

論文の概要: Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations

arxiv url: http://arxiv.org/abs/2408.16115v1
Date: Wed, 28 Aug 2024 19:59:58 GMT
ステータス: 処理完了
システム内更新日: 2024-08-30 15:44:44.861116
Title: Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations
Title（参考訳）: 確率微分方程式によるグラフニューラルネットワークの不確かさモデリング
Authors: Richard Bergna, Sergio Calvo-Ordoñez, Felix L. Opolka, Pietro Liò, Jose Miguel Hernandez-Lobato,
Abstract要約: ブラウン運動によってランダム性を埋め込んで不確実性を定量化することでGNODEを増強するLatent Graph Neural Differential Equations (LGNSDE)を導入する。我々は,LGNSDEの理論的保証を提供し,不確実性定量化における性能を実証的に示す。
参考スコア（独自算出の注目度）: 14.422150854883453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the problem of learning uncertainty-aware representations for graph-structured data. While Graph Neural Ordinary Differential Equations (GNODE) are effective in learning node representations, they fail to quantify uncertainty. To address this, we introduce Latent Graph Neural Stochastic Differential Equations (LGNSDE), which enhance GNODE by embedding randomness through Brownian motion to quantify uncertainty. We provide theoretical guarantees for LGNSDE and empirically show better performance in uncertainty quantification.
Abstract（参考訳）: グラフ構造データに対する不確実性認識表現の学習の問題に対処する。グラフニューラル正規微分方程式(GNODE)はノード表現の学習に有効であるが、不確かさの定量化には失敗した。これを解決するために、ブラウン運動によってランダム性を埋め込んで不確実性を定量化することによってGNODEを強化するLatent Graph Neural Stochastic Differential Equations (LGNSDE)を導入する。我々は,LGNSDEの理論的保証を提供し,不確実性定量化における性能を実証的に示す。

関連論文リスト

Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文参考訳（メタデータ） (2024-05-30T10:49:22Z)
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 Neural Stochastic Differential Equations [3.568455515949288]
グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
論文参考訳（メタデータ） (2023-08-23T09:20:38Z)
A General Framework for quantifying Aleatoric and Epistemic uncertainty in Graph Neural Networks [0.29494468099506893]
Graph Neural Networks(GNN)は、グラフ理論と機械学習をエレガントに統合する強力なフレームワークを提供する。本稿では,モデル誤差と測定の不確かさからGNNの予測の不確かさを定量化する問題を考察する。ベイジアンフレームワークにおける両源の不確実性を扱うための統一的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-20T05:25:40Z)
Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文参考訳（メタデータ） (2021-10-20T14:23:54Z)
Stability of Graph Convolutional Neural Networks to Stochastic Perturbations [122.12962842842349]
グラフ畳み込みニューラルネットワーク(GCNN)は、ネットワークデータから表現を学ぶ非線形処理ツールである。現在の分析では決定論的摂動を考慮しているが、トポロジカルな変化がランダムである場合、関連する洞察を与えられない。本稿では,リンク損失に起因する乱れグラフ摂動に対するGCNNの安定性について検討する。
論文参考訳（メタデータ） (2021-06-19T16:25:28Z)
Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
この問題に対処するための新しいドメインに依存しないアプローチを提案する。我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
論文参考訳（メタデータ） (2021-06-10T17:55:13Z)
Implicit Graph Neural Networks [46.0589136729616]
Indicit Graph Neural Networks (IGNN) と呼ばれるグラフ学習フレームワークを提案する。 IGNNは一貫して長距離依存を捉え、最先端のGNNモデルより優れている。
論文参考訳（メタデータ） (2020-09-14T06:04:55Z)
Stochastic Graph Recurrent Neural Network [6.656993023468793]
本稿では,ノード属性とトポロジの進化を同時に捉えるために潜時変数を適用した新しいニューラルアーキテクチャであるSGRNNを提案する。具体的には、決定論的状態は、相互干渉を抑制する反復過程において状態から分離される。実世界のデータセットを用いた実験により,提案モデルの有効性が示された。
論文参考訳（メタデータ） (2020-09-01T16:14:30Z)
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)
Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。