論文の概要: Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations
- arxiv url: http://arxiv.org/abs/2506.06907v1
- Date: Sat, 07 Jun 2025 19:58:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 21:10:47.062382
- Title: Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations
- Title（参考訳）: 構造インフォームド確率部分微分方程式を用いたグラフの不確かさ推定
- Authors: Fred Xu, Thomas Markovich,
- Abstract要約: グラフニューラルネットワークは、様々なネットワークモデリングタスクで目覚ましい結果を得たが、グラフ上の不確実性を正確に推定することは難しいままである。
本稿では,SPDEへのガウス過程アプローチによる空間時空間雑音を取り入れた新しいメッセージパッシング方式を提案する。
提案手法は,空間的および時間的不確かさを同時に捕捉し,共分散カーネルのスムーズさを明示的に制御し,低ラベルと高ラベルの両方でグラフ上の不確かさを推定する。
- 参考スコア（独自算出の注目度）: 0.9591674293850556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks have achieved impressive results across diverse network modeling tasks, but accurately estimating uncertainty on graphs remains difficult, especially under distributional shifts. Unlike traditional uncertainty estimation, graph-based uncertainty must account for randomness arising from both the graph's structure and its label distribution, which adds complexity. In this paper, making an analogy between the evolution of a stochastic partial differential equation (SPDE) driven by Matern Gaussian Process and message passing using GNN layers, we present a principled way to design a novel message passing scheme that incorporates spatial-temporal noises motivated by the Gaussian Process approach to SPDE. Our method simultaneously captures uncertainty across space and time and allows explicit control over the covariance kernel smoothness, thereby enhancing uncertainty estimates on graphs with both low and high label informativeness. Our extensive experiments on Out-of-Distribution (OOD) detection on graph datasets with varying label informativeness demonstrate the soundness and superiority of our model to existing approaches.
- Abstract（参考訳）: グラフニューラルネットワークは、様々なネットワークモデリングタスクで目覚ましい結果を得たが、グラフ上の不確かさを正確に推定することは、特に分散シフトの下では難しいままである。
従来の不確実性推定とは異なり、グラフに基づく不確実性は、グラフの構造とラベル分布の両方から生じるランダム性を考慮しなければならない。
本稿では,Matern Gaussian Processによって駆動される確率偏微分方程式(SPDE)の進化とGNN層を用いたメッセージパッシングの類似性を示す。
提案手法は,空間的および時間的不確かさを同時に捕捉し,共分散カーネルのスムーズさを明示的に制御し,低ラベルと高ラベルの両方でグラフ上の不確かさを推定する。
ラベル情報度が異なるグラフデータセット上でのアウト・オブ・ディストリビューション(OOD)検出に関する広範な実験は、既存のアプローチに対する我々のモデルの健全性と優越性を実証している。
関連論文リスト
- Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations [14.422150854883453]
グラフ構造化データに対する不確実性認識表現の学習問題に対処するために,Latent Graph Neural Differential Equations (LGNSDE)を導入する。
我々は、潜在空間の分散がモデル出力の分散を束縛していることを証明し、不確実性推定に対する理論的に妥当な保証を与える。
本フレームワークは,LGNSDEが不確実性を確実に定量化できることを前提として,分布外検出,ノイズに対する堅牢性,アクティブラーニングに競争力がある。
論文 参考訳（メタデータ） (2024-08-28T19:59:58Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - 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) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳（メタデータ） (2021-12-07T16:29:10Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。