論文の概要: CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks

• arxiv url: http://arxiv.org/abs/2409.04159v1
• Date: Fri, 6 Sep 2024 09:43:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 16:16:11.493827
• Title: CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks
• Title（参考訳）: CUQ-GNN: 後続ネットワークを用いた委員会ベースのグラフ不確実性定量化
• Authors: Clemens Damke, Eyke Hüllermeier,
• Abstract要約: 本研究では,予測不確実性の有意な定義がグラフデータに与える影響について検討する。 コミットに基づく不確実性量子化グラフニューラルネットワーク(CUQ-GNN)のファミリーを提案する。
• 参考スコア（独自算出の注目度）: 21.602569813024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we study the influence of domain-specific characteristics when defining a meaningful notion of predictive uncertainty on graph data. Previously, the so-called Graph Posterior Network (GPN) model has been proposed to quantify uncertainty in node classification tasks. Given a graph, it uses Normalizing Flows (NFs) to estimate class densities for each node independently and converts those densities into Dirichlet pseudo-counts, which are then dispersed through the graph using the personalized Page-Rank algorithm. The architecture of GPNs is motivated by a set of three axioms on the properties of its uncertainty estimates. We show that those axioms are not always satisfied in practice and therefore propose the family of Committe-based Uncertainty Quantification Graph Neural Networks (CUQ-GNNs), which combine standard Graph Neural Networks with the NF-based uncertainty estimation of Posterior Networks (PostNets). This approach adapts more flexibly to domain-specific demands on the properties of uncertainty estimates. We compare CUQ-GNN against GPN and other uncertainty quantification approaches on common node classification benchmarks and show that it is effective at producing useful uncertainty estimates.
• Abstract（参考訳）: 本研究では,予測不確実性の有意な定義がグラフデータに与える影響について検討する。 これまで,ノード分類タスクにおける不確実性を定量化するために,いわゆるグラフ・ポストリア・ネットワーク(GPN)モデルが提案されてきた。 グラフが与えられたら、正規化フロー(NF)を使用して各ノードのクラス密度を独立に推定し、それらの密度をディリクレの擬似カウントに変換し、パーソナライズされたPage-Rankアルゴリズムを用いてグラフを通して分散する。 GPNsのアーキテクチャは、不確実性推定の性質に関する3つの公理によって動機付けられている。 これらの公理は実際には必ずしも満たされていないため,標準グラフニューラルネットワークとPosterior Networks(PostNets)のNFに基づく不確実性推定を組み合わせた,Committe-based Uncertainty Quantification Graph Neural Networks (CUQ-GNNs) のファミリーを提案する。 このアプローチは、不確実性推定の特性に対するドメイン固有の要求に柔軟に適応する。 我々は,共通ノード分類ベンチマークにおいて,CUQ-GNNとGPNなどの不確実性定量化手法を比較し,有効であることを示す。

関連論文リスト

• Conditional Uncertainty Quantification for Tensorized Topological Neural Networks [19.560300212956747]
  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を解析するためのデファクトスタンダードとなっている。 近年の研究では、GNNによる不確実性推定の統計的信頼性に関する懸念が高まっている。 本稿では,交換不能なグラフ構造化データの不確かさを定量化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-20T01:03:40Z)
• 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)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• When Do We Need Graph Neural Networks for Node Classification? [38.68793097833027]
  グラフニューラルネットワーク(GNN)は基本ニューラルネットワーク(NN)を拡張する 場合によっては、GNNのパフォーマンスは向上せず、グラフに依存しないNNの性能も低くなる。
  論文  参考訳（メタデータ） (2022-10-30T23:10:23Z)
• A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware Learning on Graphs [49.76175970328538]
  本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。 実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
  論文  参考訳（メタデータ） (2022-10-27T16:12:58Z)
• Stability of Aggregation Graph Neural Networks [153.70485149740608]
  グラフの摂動を考慮したアグリゲーショングラフニューラルネットワーク(Agg-GNN)の安定性特性について検討した。 安定性境界は各ノードに作用するCNNの第1層におけるフィルタの特性によって定義される。 また、Agg-GNNでは、写像演算子の選択性は、CNNステージの第1層においてのみフィルタの特性に結びついていると結論付けている。
  論文  参考訳（メタデータ） (2022-07-08T03:54:52Z)
• Graph Posterior Network: Bayesian Predictive Uncertainty for Node Classification [37.86338466089894]
  非独立ノードレベルの予測の不確実性推定は未探索である。 本稿では,ノード上の予測に対してベイズ的後続更新を明示的に実行する新しいモデルグラフポストリアネットワークを提案する。 GPNは実験において、不確実性推定のための既存のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-10-26T20:41:20Z)
• The Surprising Power of Graph Neural Networks with Random Node Initialization [54.4101931234922]
  グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。 標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。 本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。 我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
  論文  参考訳（メタデータ） (2020-10-02T19:53:05Z)
• 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。