論文の概要: Benchmarking Graph Conformal Prediction: Empirical Analysis, Scalability, and Theoretical Insights

• arxiv url: http://arxiv.org/abs/2409.18332v1
• Date: Thu, 26 Sep 2024 23:13:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 07:00:37.279111
• Title: Benchmarking Graph Conformal Prediction: Empirical Analysis, Scalability, and Theoretical Insights
• Title（参考訳）: ベンチマークグラフのコンフォーマル予測:実証分析、スケーラビリティ、理論的考察
• Authors: Pranav Maneriker, Aditya T. Vadlamani, Anutam Srinivasan, Yuntian He, Ali Payani, Srinivasan Parthasarathy,
• Abstract要約: コンフォーマル予測は、機械学習モデルに関連する不確実性を定量化するために、ますます人気が高まっている。 グラフの不確実性定量化の最近の研究は、共形グラフ予測のためのこのアプローチに基づいている。 文献における設計選択を分析し、既存の手法に関連するトレードオフについて議論する。
• 参考スコア（独自算出の注目度）: 6.801587574420671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction has become increasingly popular for quantifying the uncertainty associated with machine learning models. Recent work in graph uncertainty quantification has built upon this approach for conformal graph prediction. The nascent nature of these explorations has led to conflicting choices for implementations, baselines, and method evaluation. In this work, we analyze the design choices made in the literature and discuss the tradeoffs associated with existing methods. Building on the existing implementations for existing methods, we introduce techniques to scale existing methods to large-scale graph datasets without sacrificing performance. Our theoretical and empirical results justify our recommendations for future scholarship in graph conformal prediction.
• Abstract（参考訳）: コンフォーマル予測は、機械学習モデルに関連する不確実性を定量化するために、ますます人気が高まっている。 グラフの不確実性定量化の最近の研究は、共形グラフ予測のためのこのアプローチに基づいている。 これらの調査の初期段階の性質は、実装、ベースライン、メソッド評価の相反する選択につながった。 本研究では,文献における設計選択を分析し,既存の手法と関連するトレードオフについて議論する。 既存手法の既存実装に基づいて,既存の手法を大規模グラフデータセットに拡張する手法を導入する。 我々の理論的および実証的な結果は、グラフ共形予測における将来の奨学金の勧告を正当化する。

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)
• Predicting the structure of dynamic graphs [3.035039100561926]
  我々は、目に見えない新しいノードとエッジを含む将来のステップにおけるグラフの構造を予測する。 時系列予測手法を用いて,将来の時間点におけるノード次数予測を行い,これらの予測とフラックスバランス解析を組み合わせる。 我々は、合成および実世界のデータセットを用いてこのアプローチを評価し、その実用性と適用性を実証する。
  論文  参考訳（メタデータ） (2024-01-08T23:25:43Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• Learning node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
  グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。 最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。 本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
  論文  参考訳（メタデータ） (2022-07-04T04:09:50Z)
• Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
  本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。 提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
  論文  参考訳（メタデータ） (2022-05-26T17:02:43Z)
• Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
  グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。 ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。 実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2022-02-16T21:10:33Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。