論文の概要: Residual Reweighted Conformal Prediction for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.07854v1
• Date: Mon, 09 Jun 2025 15:19:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:11.019776
• Title: Residual Reweighted Conformal Prediction for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークの残差重み付き等角予測
• Authors: Zheng Zhang, Jie Bao, Zhixin Zhou, Nicolo Colombo, Lixin Cheng, Rui Luo,
• Abstract要約: グラフニューラルネットワーク(GNN)は、データモデリングに優れていますが、不確実性のため、高い領域で重大な課題に直面しています。 本稿では,最小限の予測セットを生成するためのフレームワークであるResidual Reweighted GNN (RR-GNN)を提案する。 RR-GNNは最先端の手法よりも効率が良く、カバー範囲が失われることはない。
• 参考スコア（独自算出の注目度）: 14.329186221388087
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Neural Networks (GNNs) excel at modeling relational data but face significant challenges in high-stakes domains due to unquantified uncertainty. Conformal prediction (CP) offers statistical coverage guarantees, but existing methods often produce overly conservative prediction intervals that fail to account for graph heteroscedasticity and structural biases. While residual reweighting CP variants address some of these limitations, they neglect graph topology, cluster-specific uncertainties, and risk data leakage by reusing training sets. To address these issues, we propose Residual Reweighted GNN (RR-GNN), a framework designed to generate minimal prediction sets with provable marginal coverage guarantees. RR-GNN introduces three major innovations to enhance prediction performance. First, it employs Graph-Structured Mondrian CP to partition nodes or edges into communities based on topological features, ensuring cluster-conditional coverage that reflects heterogeneity. Second, it uses Residual-Adaptive Nonconformity Scores by training a secondary GNN on a held-out calibration set to estimate task-specific residuals, dynamically adjusting prediction intervals according to node or edge uncertainty. Third, it adopts a Cross-Training Protocol, which alternates the optimization of the primary GNN and the residual predictor to prevent information leakage while maintaining graph dependencies. We validate RR-GNN on 15 real-world graphs across diverse tasks, including node classification, regression, and edge weight prediction. Compared to CP baselines, RR-GNN achieves improved efficiency over state-of-the-art methods, with no loss of coverage.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リレーショナルデータのモデリングに優れていますが、不確実性のため、高い領域で重大な課題に直面しています。 コンフォーマル予測(CP)は統計的カバレッジを保証するが、既存の手法ではグラフの不均一性や構造バイアスを考慮できない過度に保守的な予測間隔を生じることが多い。 余剰再重み付けCP変種はこれらの制限のいくつかに対処するが、グラフトポロジ、クラスタ固有の不確実性、トレーニングセットの再利用によるリスクデータ漏洩を無視する。 これらの問題に対処するため,提案するフレームワークであるResidual Reweighted GNN (RR-GNN) を提案する。 RR-GNNは予測性能を高めるために3つの大きなイノベーションを導入した。 まず、Graph-Structured Mondrian CPを使用して、ノードやエッジをトポロジ的な特徴に基づいてコミュニティに分割し、異種性を反映したクラスタ条件のカバレッジを確保する。 第2に、タスク固有の残差を推定するためのホールトアウトキャリブレーションセットで二次GNNをトレーニングし、ノードやエッジの不確実性に応じて予測間隔を動的に調整することで、Residual-Adaptive Nonconformity Scoresを使用する。 第3に、グラフ依存を維持しながら情報漏洩を防止するために、一次GNNと残留予測器の最適化を交互に行うクロストレーニングプロトコルを採用する。 RR-GNNは,ノード分類,回帰,エッジウェイト予測など,様々なタスクにまたがる15の実世界のグラフに対して検証を行う。 CPベースラインと比較して、RR-GNNは最先端の手法よりも効率が良く、カバー範囲は失われない。

関連論文リスト

• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• 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)
• 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)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)

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。