論文の概要: EVINET: Towards Open-World Graph Learning via Evidential Reasoning Network

• arxiv url: http://arxiv.org/abs/2506.07288v2
• Date: Wed, 11 Jun 2025 17:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 16:13:48.017823
• Title: EVINET: Towards Open-World Graph Learning via Evidential Reasoning Network
• Title（参考訳）: EVINET:Evidential Reasoning Networkによるオープンワールドグラフ学習を目指して
• Authors: Weijie Guan, Haohui Wang, Jian Kang, Lihui Liu, Dawei Zhou,
• Abstract要約: 本稿では,主観的論理フレームワークにベータ埋め込みを統合するフレームワークであるEvidential Reasoning Network(EVINET)を紹介する。 EVINETには2つの重要なモジュールが含まれている。 大規模な実験により、EVINETは複数のメトリクスで最先端のメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 13.114983443216511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph learning has been crucial to many real-world tasks, but they are often studied with a closed-world assumption, with all possible labels of data known a priori. To enable effective graph learning in an open and noisy environment, it is critical to inform the model users when the model makes a wrong prediction to in-distribution data of a known class, i.e., misclassification detection or when the model encounters out-of-distribution from novel classes, i.e., out-of-distribution detection. This paper introduces Evidential Reasoning Network (EVINET), a framework that addresses these two challenges by integrating Beta embedding within a subjective logic framework. EVINET includes two key modules: Dissonance Reasoning for misclassification detection and Vacuity Reasoning for out-of-distribution detection. Extensive experiments demonstrate that EVINET outperforms state-of-the-art methods across multiple metrics in the tasks of in-distribution classification, misclassification detection, and out-of-distribution detection. EVINET demonstrates the necessity of uncertainty estimation and logical reasoning for misclassification detection and out-of-distribution detection and paves the way for open-world graph learning. Our code and data are available at https://github.com/SSSKJ/EviNET.
• Abstract（参考訳）: グラフ学習は多くの実世界のタスクに不可欠であるが、それらはしばしばクローズドワールドの仮定で研究され、全ての可能なデータのラベルが先行として知られている。 オープンでノイズの多い環境で効果的なグラフ学習を実現するためには、モデルが既知のクラスの分布内データ、すなわち、誤分類検出や、新しいクラス、すなわち分布外検出に遭遇した場合に、モデル利用者に誤った予測をしたとき、モデル利用者に通知することが重要である。 本稿では,これら2つの課題に対処するフレームワークであるEvidential Reasoning Network(EVINET)を紹介する。 EVINETには2つの重要なモジュールが含まれている。 大規模な実験により、EVINETは、分布内分類、誤分類検出、分布外検出といったタスクにおいて、複数のメトリクスにわたって最先端の手法より優れていることが示された。 EVINETは、不確実性推定と論理的推論の必要性を実証し、誤分類検出とアウト・オブ・ディストリビューション検出を行い、オープンワールドグラフ学習の道を開く。 私たちのコードとデータはhttps://github.com/SSSKJ/EviNET.comで公開されています。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• KnowGraph: Knowledge-Enabled Anomaly Detection via Logical Reasoning on Graph Data [13.510494408303536]
  KnowGraphは、グラフベースの異常検出を強化するために、ドメイン知識とデータ駆動学習を統合する。 テストでは、KnowGraphはトランスダクティブとインダクティブの両方で、最先端のベースラインを一貫して上回っている。 その結果は、高レベルのグラフベースのセキュリティアプリケーションのためのデータ駆動モデルにドメイン知識を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-10T21:53:33Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。