論文の概要: Non-exchangeable Conformal Prediction for Temporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2507.02151v1
• Date: Wed, 02 Jul 2025 21:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.186323
• Title: Non-exchangeable Conformal Prediction for Temporal Graph Neural Networks
• Title（参考訳）: 時空間グラフニューラルネットワークの非交換型等角予測
• Authors: Tuo Wang, Jian Kang, Yujun Yan, Adithya Kulkarni, Dawei Zhou,
• Abstract要約: グラフニューラルネットワーク(GNN)のコンフォーマル予測は、不確実性を定量化するための有望なフレームワークを提供する。 既存の手法は主に静的グラフに焦点を当て、現実世界のグラフの進化の性質を無視している。 我々は、時間グラフに適した新しいエンドツーエンドのコンフォメーション予測フレームワークであるNCPNETを紹介する。
• 参考スコア（独自算出の注目度）: 11.01716974299811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction for graph neural networks (GNNs) offers a promising framework for quantifying uncertainty, enhancing GNN reliability in high-stakes applications. However, existing methods predominantly focus on static graphs, neglecting the evolving nature of real-world graphs. Temporal dependencies in graph structure, node attributes, and ground truth labels violate the fundamental exchangeability assumption of standard conformal prediction methods, limiting their applicability. To address these challenges, in this paper, we introduce NCPNET, a novel end-to-end conformal prediction framework tailored for temporal graphs. Our approach extends conformal prediction to dynamic settings, mitigating statistical coverage violations induced by temporal dependencies. To achieve this, we propose a diffusion-based non-conformity score that captures both topological and temporal uncertainties within evolving networks. Additionally, we develop an efficiency-aware optimization algorithm that improves the conformal prediction process, enhancing computational efficiency and reducing coverage violations. Extensive experiments on diverse real-world temporal graphs, including WIKI, REDDIT, DBLP, and IBM Anti-Money Laundering dataset, demonstrate NCPNET's capability to ensure guaranteed coverage in temporal graphs, achieving up to a 31% reduction in prediction set size on the WIKI dataset, significantly improving efficiency compared to state-of-the-art methods. Our data and code are available at https://github.com/ODYSSEYWT/NCPNET.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)のコンフォーマル予測は、不確実性を定量化するための有望なフレームワークを提供する。 しかし、既存の手法は主に静的グラフに焦点を当て、現実世界のグラフの進化の性質を無視している。 グラフ構造、ノード属性、基底真理ラベルにおける時間的依存は、標準共形予測法の基本的な交換可能性の仮定に反し、適用性を制限する。 これらの課題に対処するために、我々は、時間グラフに適した新しいエンドツーエンドのコンフォメーション予測フレームワークであるNCPNETを紹介する。 提案手法は,時間的依存による統計的カバレッジ違反を軽減し,コンフォメーション予測を動的設定に拡張する。 これを実現するために、進化するネットワーク内のトポロジと時間的不確実性の両方をキャプチャする拡散に基づく非整合性スコアを提案する。 さらに、共形予測プロセスを改善し、計算効率を向上し、カバレッジ違反を減らす効率性を考慮した最適化アルゴリズムを開発した。 WIKI、REDDIT、DBLP、IBM Anti-Money Launderingデータセットなど、さまざまな現実世界の時間グラフに関する広範な実験は、NAPNETが時間グラフのカバレッジを保証する能力を示し、WIKIデータセットの予測セットサイズを最大31%削減し、最先端の手法と比較して効率を大幅に改善した。 私たちのデータとコードはhttps://github.com/ODYSSEYWT/NCPNET.comで公開されています。

関連論文リスト

• Residual Reweighted Conformal Prediction for Graph Neural Networks [14.329186221388087]
  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。
  論文  参考訳（メタデータ） (2025-06-09T15:19:17Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning [6.0497759658090775]
  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。
  論文  参考訳（メタデータ） (2025-01-14T19:27:58Z)
• Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
  グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。 本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T21:17:37Z)
• 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)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• 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)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)

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。