論文の概要: Bridging OOD Detection and Generalization: A Graph-Theoretic View

• arxiv url: http://arxiv.org/abs/2409.18205v1
• Date: Thu, 26 Sep 2024 18:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 15:21:45.192246
• Title: Bridging OOD Detection and Generalization: A Graph-Theoretic View
• Title（参考訳）: ブリジングOOD検出と一般化:グラフ理論の視点から
• Authors: Han Wang, Yixuan Li,
• Abstract要約: OODの一般化と検出の両問題に対処するためのグラフ理論フレームワークを提案する。 グラフ定式化を利用すると、グラフの隣接行列の分解によってデータ表現が得られる。 経験的結果は既存の手法と比較して競争性能を示す。
• 参考スコア（独自算出の注目度）: 21.84304334604601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of modern machine learning, models deployed in real-world scenarios often encounter diverse data shifts like covariate and semantic shifts, leading to challenges in both out-of-distribution (OOD) generalization and detection. Despite considerable attention to these issues separately, a unified framework for theoretical understanding and practical usage is lacking. To bridge the gap, we introduce a graph-theoretic framework to jointly tackle both OOD generalization and detection problems. By leveraging the graph formulation, data representations are obtained through the factorization of the graph's adjacency matrix, enabling us to derive provable error quantifying OOD generalization and detection performance. Empirical results showcase competitive performance in comparison to existing methods, thereby validating our theoretical underpinnings. Code is publicly available at https://github.com/deeplearning-wisc/graph-spectral-ood.
• Abstract（参考訳）: 現代の機械学習の文脈では、現実世界のシナリオにデプロイされたモデルは、共変量やセマンティックシフトのような多様なデータシフトに遭遇することが多く、アウト・オブ・ディストリビューション(OOD)の一般化と検出の両面での課題に繋がる。 これらの問題に別々に注意を払っているにもかかわらず、理論的理解と実践的利用のための統一された枠組みは欠如している。 このギャップを埋めるために,OODの一般化と検出の両問題に共同で取り組むグラフ理論の枠組みを導入する。 グラフ定式化を利用すると、グラフの隣接行列の分解によってデータ表現が得られ、OOD一般化と検出性能の証明可能な誤差を導出できる。 実験の結果,既存の手法と比較して競争性能が向上し,理論的基盤の検証が可能となった。 コードはhttps://github.com/deeplearning-wisc/graph-spectral-ood.comで公開されている。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Investigating Out-of-Distribution Generalization of GNNs: An Architecture Perspective [45.352741792795186]
  グラフ自己アテンション機構と疎結合アーキテクチャはグラフOOD一般化に肯定的に寄与することを示す。 我々は,グラフ自己保持機構と疎結合アーキテクチャの両方の堅牢性を活用するために,新しいGNNバックボーンモデルDGATを開発した。
  論文  参考訳（メタデータ） (2024-02-13T05:38:45Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• MARIO: Model Agnostic Recipe for Improving OOD Generalization of Graph Contrastive Learning [18.744939223003673]
  グラフデータを用いた教師なし学習手法におけるアウト・オブ・ディストリビューション(OOD)の一般化問題について検討する。 アンダーラインODの一般化性を改善するためのアンダーラインモデル-アンダーライン非依存アンダーラインレシピを提案する。
  論文  参考訳（メタデータ） (2023-07-24T18:05:22Z)
• Graph Structure and Feature Extrapolation for Out-of-Distribution Generalization [54.64375566326931]
  アウト・オブ・ディストリビューション(OOD)の一般化は、テスト分布がトレーニング分布からシフトする一般的な学習シナリオを扱う。 我々は,非ユークリッド空間線型補間の新しい設計により,グラフOOD一般化を実現することを提案する。 我々の設計は、根底にある因果機構を損なうことなく、OODサンプルを特定のシフトのために調整する。
  論文  参考訳（メタデータ） (2023-06-13T18:46:28Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Towards Out-Of-Distribution Generalization: A Survey [46.329995334444156]
  アウト・オブ・ディストリビューションの一般化は、機械学習研究の新たなトピックである。 本論文は,OODの一般化に関する総合的,体系的な最初のレビューである。
  論文  参考訳（メタデータ） (2021-08-31T05:28:42Z)

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。