論文の概要: GraphPPD: Posterior Predictive Modelling for Graph-Level Inference

• arxiv url: http://arxiv.org/abs/2508.16995v1
• Date: Sat, 23 Aug 2025 11:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.292394
• Title: GraphPPD: Posterior Predictive Modelling for Graph-Level Inference
• Title（参考訳）: GraphPPD: グラフレベル推論のための後方予測モデル
• Authors: Soumyasundar Pal, Liheng Ma, Amine Natik, Yingxue Zhang, Mark Coates,
• Abstract要約: 本研究では,不確実性を考慮した予測を実現するために,後天予測分布(PPD)のための新しい変分モデルフレームワークを提案する。 既存のGNNから派生したグラフレベルの埋め込みに基づいて、我々のフレームワークはデータ適応方式でPDを学習することができる。
• 参考スコア（独自算出の注目度）: 24.363835075189286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modelling and quantification of predictive uncertainty is crucial in deep learning since it allows a model to make safer decisions when the data is ambiguous and facilitates the users' understanding of the model's confidence in its predictions. Along with the tremendously increasing research focus on \emph{graph neural networks} (GNNs) in recent years, there have been numerous techniques which strive to capture the uncertainty in their predictions. However, most of these approaches are specifically designed for node or link-level tasks and cannot be directly applied to graph-level learning problems. In this paper, we propose a novel variational modelling framework for the \emph{posterior predictive distribution}~(PPD) to obtain uncertainty-aware prediction in graph-level learning tasks. Based on a graph-level embedding derived from one of the existing GNNs, our framework can learn the PPD in a data-adaptive fashion. Experimental results on several benchmark datasets exhibit the effectiveness of our approach.
• Abstract（参考訳）: 予測の不確実性の正確なモデリングと定量化は、データがあいまいである場合にモデルがより安全な判断をすることができるため、ディープラーニングにおいて不可欠である。 近年,emph{graph neural network} (GNN) に注目が集まっているとともに,その予測の不確実性を捉えようとする技術が数多く存在する。 しかし、これらのアプローチのほとんどはノードレベルのタスクやリンクレベルのタスクに特化して設計されており、グラフレベルの学習問題に直接適用することはできない。 本稿では,グラフレベルの学習課題における不確実性を考慮した予測を実現するために,<emph{posterior predictive distribution}~(PPD)のための新しい変分モデルフレームワークを提案する。 既存のGNNから派生したグラフレベルの埋め込みに基づいて、我々のフレームワークはデータ適応方式でPDを学習することができる。 いくつかのベンチマークデータセットの実験結果から,提案手法の有効性が示された。

関連論文リスト

• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• 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)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。 本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
  グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。 ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。 実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2022-02-16T21:10:33Z)
• 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)

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。