論文の概要: Conformalized Gaussian processes for online uncertainty quantification over graphs

• arxiv url: http://arxiv.org/abs/2510.06181v1
• Date: Tue, 07 Oct 2025 17:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.39587
• Title: Conformalized Gaussian processes for online uncertainty quantification over graphs
• Title（参考訳）: グラフ上のオンライン不確実性定量化のための等角化ガウス過程
• Authors: Jinwen Xu, Qin Lu, Georgios B. Giannakis,
• Abstract要約: グラフ上の不確実性定量化(UQ)は、ネットワーク科学における多くの安全クリティカルな応用に現れる。 我々は、ランダム特徴(RF)に基づくカーネル近似を利用して、新しいグラフ対応パラメトリックGPモデルを考案する。 誤特定をモデル化するためのロバストなカバレッジを確保するため,我々はGPベースの集合予測器をオンラインコンフォメーション予測フレームワークを用いて検討した。
• 参考スコア（独自算出の注目度）: 27.90282886573793
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Uncertainty quantification (UQ) over graphs arises in a number of safety-critical applications in network science. The Gaussian process (GP), as a classical Bayesian framework for UQ, has been developed to handle graph-structured data by devising topology-aware kernel functions. However, such GP-based approaches are limited not only by the prohibitive computational complexity, but also the strict modeling assumptions that might yield poor coverage, especially with labels arriving on the fly. To effect scalability, we devise a novel graph-aware parametric GP model by leveraging the random feature (RF)-based kernel approximation, which is amenable to efficient recursive Bayesian model updates. To further allow for adaptivity, an ensemble of graph-aware RF-based scalable GPs have been leveraged, with per-GP weight adapted to data arriving incrementally. To ensure valid coverage with robustness to model mis-specification, we wed the GP-based set predictors with the online conformal prediction framework, which post-processes the prediction sets using adaptive thresholds. Experimental results the proposed method yields improved coverage and efficient prediction sets over existing baselines by adaptively ensembling the GP models and setting the key threshold parameters in CP.
• Abstract（参考訳）: グラフ上の不確実性定量化(UQ)は、ネットワーク科学における多くの安全クリティカルな応用に現れる。 UQの古典的ベイズ的フレームワークであるガウス過程(GP)は、トポロジーを意識したカーネル関数を考案し、グラフ構造化データを扱うために開発された。 しかし、そのようなGPベースのアプローチは、禁止された計算複雑性だけでなく、特にラベルがオンザフライに到着すると、カバー範囲が低くなる可能性のある厳密なモデリング仮定によって制限される。 拡張性を実現するために,ランダムな特徴(RF)に基づくカーネル近似を利用して,新しいグラフ対応パラメトリックGPモデルを考案した。 さらに適応性を高めるために、グラフ対応RFベースのスケーラブルGPのアンサンブルが活用され、GP単位の重みが漸進的にデータに適応している。 誤り特定をモデル化するためのロバストなカバレッジを確保するため,適応しきい値を用いて予測セットを後処理するオンラインコンフォーマル予測フレームワークを用いて,GPベースのセット予測器を精査した。 提案手法は,GPモデルを適応的にアンサンブルし,キーしきい値パラメータをCPに設定することにより,既存のベースラインに対するカバレッジと効率的な予測セットを向上する。

関連論文リスト

• Neighbour-Driven Gaussian Process Variational Autoencoders for Scalable Structured Latent Modelling [14.358070928996069]
  ガウス過程 (GP) 変分オートエンコーダ (VAEs) は、完全に分解されたガウス前処理をGP前処理に置き換えることで標準のVAEを拡張する。 大規模GPVAEにおける正確なGP推論の実行は、計算的に禁止されており、しばしば既存のアプローチは制限的なカーネルの仮定に頼らざるを得ない。 本稿では,拡張性のあるGPVAE推論を実現するために,潜在空間における局所的隣接性を利用する近似手法を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:07:33Z)
• Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
  結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。 提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
  論文  参考訳（メタデータ） (2024-10-07T19:22:15Z)
• 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)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)

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。