論文の概要: Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning
- arxiv url: http://arxiv.org/abs/2501.08397v1
- Date: Tue, 14 Jan 2025 19:27:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:51:33.309204
- Title: Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning
- Title（参考訳）: 信頼と正しい予測:動的グラフ学習の欠如
- Authors: Jayadratha Gayen, Himanshu Pal, Naresh Manwani, Charu Sharma,
- Abstract要約: 本稿では,時間的動的グラフに対する時間的グラフニューラルネットワーク(GNN)のフレームワーク内でのリジェクションオプション戦略を提案する。
これにより、モデルが不確実性が高く、信頼性が低い場合に、戦略的に予測を控えることができる。
動的グラフシナリオにおける予測のための曲線(AUC)/平均精度(AP)スコアの信頼性と面積を改善するためのアプローチの有効性を示す。
- 参考スコア（独自算出の注目度）: 6.0497759658090775
- License:
- Abstract: Many real-world systems can be modeled as dynamic graphs, where nodes and edges evolve over time, requiring specialized models to capture their evolving dynamics in risk-sensitive applications effectively. Temporal graph neural networks (GNNs) are one such category of specialized models. For the first time, our approach integrates a reject option strategy within the framework of GNNs for continuous-time dynamic graphs. This allows the model to strategically abstain from making predictions when the uncertainty is high and confidence is low, thus minimizing the risk of critical misclassification and enhancing the results and reliability. We propose a coverage-based abstention prediction model to implement the reject option that maximizes prediction within a specified coverage. It improves the prediction score for link prediction and node classification tasks. Temporal GNNs deal with extremely skewed datasets for the next state prediction or node classification task. In the case of class imbalance, our method can be further tuned to provide a higher weightage to the minority class. Exhaustive experiments are presented on four datasets for dynamic link prediction and two datasets for dynamic node classification tasks. This demonstrates the effectiveness of our approach in improving the reliability and area under the curve (AUC)/ average precision (AP) scores for predictions in dynamic graph scenarios. The results highlight our model's ability to efficiently handle the trade-offs between prediction confidence and coverage, making it a dependable solution for applications requiring high precision in dynamic and uncertain environments.
- Abstract（参考訳）: 多くの現実世界のシステムは動的グラフとしてモデル化することができ、ノードとエッジは時間とともに進化し、リスクに敏感なアプリケーションにおいて進化するダイナミクスを効果的に捉えるために特別なモデルを必要とする。
時間グラフニューラルネットワーク(GNN)は、特殊モデルのそのようなカテゴリである。
提案手法は,GNNのフレームワーク内で連続時間動的グラフに対するリジェクションオプション戦略を初めて組み込んだものである。
これにより、モデルが不確実性が高く、信頼性が低い場合に予測を戦略的に控えることができるため、重大な誤分類のリスクを最小限に抑え、結果と信頼性を高めることができる。
本稿では,特定のカバレッジ内での予測を最大化するリジェクションオプションを実装するために,カバレッジに基づく禁忌予測モデルを提案する。
リンク予測とノード分類タスクの予測スコアを改善する。
時間的GNNは、次の状態予測やノード分類タスクのために非常に歪んだデータセットを扱う。
クラス不均衡の場合、マイノリティクラスにより高い重み付けを与えるために、我々の手法をさらに調整することができる。
動的リンク予測のための4つのデータセットと,動的ノード分類タスクのための2つのデータセットについて実験を行った。
このことは,動的グラフシナリオにおける予測のための曲線(AUC)/平均精度(AP)スコアの信頼性と面積を改善するためのアプローチの有効性を示す。
その結果、予測信頼度とカバレッジのトレードオフを効率的に処理できるモデルの能力を強調し、動的で不確実な環境で高い精度を必要とするアプリケーションに対して、信頼性の高いソリューションとなります。
関連論文リスト
- RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
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の結果を予測する強力なツールとして登場した。
この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。
我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。
我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
論文 参考訳（メタデータ） (2024-08-25T12:51:19Z) - Conditional Shift-Robust Conformal Prediction for Graph Neural Network [0.0]
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の結果を予測する強力なツールとして登場した。
有効性にもかかわらず、GNNは堅牢な不確実性推定を提供する能力に制限がある。
本稿では,GNNに対する条件シフトロバスト(CondSR)の共形予測を提案する。
論文 参考訳（メタデータ） (2024-05-20T11:47:31Z) - GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。
GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。
我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
論文 参考訳（メタデータ） (2024-04-09T05:51:40Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
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に基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Distribution Free Prediction Sets for Node Classification [0.0]
我々は、共形予測の最近の進歩を活用し、帰納学習シナリオにおけるノード分類のための予測セットを構築する。
我々は、一般的なGNNモデルを用いた標準ベンチマークデータセットの実験を通して、共形予測の簡単な応用よりも、より厳密でより良い予測セットを提供することを示す。
論文 参考訳（メタデータ） (2022-11-26T12:54:45Z) - Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。
本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。
実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文 参考訳（メタデータ） (2022-09-16T09:13:43Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。