Fugu-MT 論文翻訳(概要): SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks

論文の概要: SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2409.08766v1
Date: Fri, 13 Sep 2024 12:20:02 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 16:49:03.757553
Title: SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks
Title（参考訳）: SAUC:グラフニューラルネットワークを用いた時空間予測のための空間的不確実性校正
Authors: Dingyi Zhuang, Yuheng Bu, Guang Wang, Shenhao Wang, Jinhua Zhao,
Abstract要約: 既存のディープラーニングは主に予測に焦点を当てており、そのような予測に固有の不確実性を見下ろしている。本稿では,ゼロ値と非ゼロ値の両方の不確実性を校正する,ポストホックな時空間AUCフレームワークを提案する。具体的には,スパーク交通事故と都市犯罪予測誤差を20%低減する実験を行った。
参考スコア（独自算出の注目度）: 17.994971799054213
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantifying uncertainty is crucial for robust and reliable predictions. However, existing spatiotemporal deep learning mostly focuses on deterministic prediction, overlooking the inherent uncertainty in such prediction. Particularly, highly-granular spatiotemporal datasets are often sparse, posing extra challenges in prediction and uncertainty quantification. To address these issues, this paper introduces a novel post-hoc Sparsity-awar Uncertainty Calibration (SAUC) framework, which calibrates uncertainty in both zero and non-zero values. To develop SAUC, we firstly modify the state-of-the-art deterministic spatiotemporal Graph Neural Networks (ST-GNNs) to probabilistic ones in the pre-calibration phase. Then we calibrate the probabilistic ST-GNNs for zero and non-zero values using quantile approaches.Through extensive experiments, we demonstrate that SAUC can effectively fit the variance of sparse data and generalize across two real-world spatiotemporal datasets at various granularities. Specifically, our empirical experiments show a 20\% reduction in calibration errors in zero entries on the sparse traffic accident and urban crime prediction. Overall, this work demonstrates the theoretical and empirical values of the SAUC framework, thus bridging a significant gap between uncertainty quantification and spatiotemporal prediction.
Abstract（参考訳）: 不確実性の定量化は、堅牢で信頼性の高い予測に不可欠である。しかし、既存の時空間深層学習は主に決定論的予測に焦点を当てており、そのような予測に固有の不確実性を見落としている。特に、高粒度の時空間データセットは希薄であり、予測と不確実性定量化においてさらなる課題を提起する。これらの問題に対処するために,ゼロ値と非ゼロ値の両方の不確実性を校正する,ポストホックな不確実性校正(SAUC)フレームワークを提案する。 SAUCを開発するために、我々はまず、最先端の決定論的時空間グラフニューラルネットワーク(ST-GNN)を、事前校正フェーズにおける確率論的ニューラルネットワークに修正する。次に、量子的アプローチを用いて確率的ST-GNNをゼロ値と非ゼロ値でキャリブレーションし、より広範な実験により、SAUCがスパースデータの分散に効果的に適合し、2つの実世界の時空間データセットを様々な粒度で一般化できることを実証した。具体的には, スパース交通事故と都市犯罪予測のゼロ項目において, 校正誤差を20倍に削減する実験を行った。全体として、この研究はSAUCフレームワークの理論的および経験的価値を示し、不確実性定量化と時空間予測の間に大きなギャップを埋める。

関連論文リスト

Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。我々は多種多様な高次元データにまたがって理論を検証する。
論文参考訳（メタデータ） (2024-08-08T17:27:29Z)
Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks [12.027484258239824]
犯罪事件は、特に小さな地域や特定の期間内では、まばらである。伝統的な時空間深層学習モデルは、しばしばこの空間性に苦しむ。時空間多変量ゼロ拡張負二項グラフニューラルネットワーク(STMGNN-ZINB)という新しいアプローチを導入する。
論文参考訳（メタデータ） (2024-08-08T03:25:41Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
論文参考訳（メタデータ） (2023-09-21T19:38:44Z)
Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。予測性能と不確実性校正の詳細な解析を行う。
論文参考訳（メタデータ） (2023-05-10T13:03:06Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文参考訳（メタデータ） (2021-10-13T01:23:48Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
STUaNet: Understanding uncertainty in spatiotemporal collective human mobility [11.436035608461966]
本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。提案手法は予測と不確かさの両面において優れていることを示す。
論文参考訳（メタデータ） (2021-02-09T01:43:27Z)
Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning [25.8227937350516]
トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
論文参考訳（メタデータ） (2020-07-18T21:36:31Z)

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。