Fugu-MT 論文翻訳(概要): Spiking Graph Predictive Coding for Reliable OOD Generalization

論文の概要: Spiking Graph Predictive Coding for Reliable OOD Generalization

arxiv url: http://arxiv.org/abs/2602.19392v1
Date: Sun, 22 Feb 2026 23:58:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-24 17:42:02.621347
Title: Spiking Graph Predictive Coding for Reliable OOD Generalization
Title（参考訳）: 信頼性OOD一般化のためのスポーキンググラフ予測符号化
Authors: Jing Ren, Jiapeng Du, Bowen Li, Ziqi Xu, Xin Zheng, Hong Jia, Suyu Ma, Xiwei Xu, Feng Xia,
Abstract要約: 我々は、信頼性の高いOOD一般化のための不確実性を考慮したプラグイングラフ学習モジュールであるSpIking GrapH predicTive coding (SIGHT)を紹介した。 SIGHTはスパイキンググラフ状態に対して反復的なエラー駆動補正を行い、モデルの内部ミスマッチ信号を公開することができる。
参考スコア（独自算出の注目度）: 17.74194220543056
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graphs provide a powerful basis for modeling Web-based relational data, with expressive GNNs to support the effective learning in dynamic web environments. However, real-world deployment is hindered by pervasive out-of-distribution (OOD) shifts, where evolving user activity and changing content semantics alter feature distributions and labeling criteria. These shifts often lead to unstable or overconfident predictions, undermining the trustworthiness required for Web4Good applications. Achieving reliable OOD generalization demands principled and interpretable uncertainty estimation; however, existing methods are largely post-hoc, insensitive to distribution shifts, and unable to explain where uncertainty arises especially in high-stakes settings. To address these limitations, we introduce SpIking GrapH predicTive coding (SIGHT), an uncertainty-aware plug-in graph learning module for reliable OOD Generalization. SIGHT performs iterative, error-driven correction over spiking graph states, enabling models to expose internal mismatch signals that reveal where predictions become unreliable. Across multiple graph benchmarks and diverse OOD scenarios, SIGHT consistently enhances predictive accuracy, uncertainty estimation, and interpretability when integrated with GNNs.
Abstract（参考訳）: グラフは、動的Web環境における効果的な学習を支援するために、表現豊かなGNNを用いて、Webベースのリレーショナルデータをモデリングするための強力な基盤を提供する。しかし、ユーザアクティビティの進化とコンテンツセマンティクスの変化によって、機能の分散やラベル付けの基準が変わるという、広範にわたるアウト・オブ・ディストリビューション(OOD)シフトによって、現実のデプロイメントが妨げられます。これらのシフトは、しばしば不安定または過信的な予測をもたらし、Web4Goodアプリケーションに必要な信頼性を損なう。信頼性の高いOOD一般化を実現するためには、原則的かつ解釈可能な不確実性推定が必要であるが、既存の手法は、主にポストホックであり、分布シフトに敏感であり、特に高い状況において不確実性が生じるかを説明できない。これらの制約に対処するために,信頼性の高いOOD一般化のための不確実性を考慮したプラグイングラフ学習モジュールであるSpIking GrapH predicTive coding (SIGHT)を導入する。 SIGHTは、スパイキンググラフ状態に対する反復的エラー駆動補正を実行し、モデルが内部ミスマッチ信号を公開することで、予測が信頼性に欠けることを明らかにする。複数のグラフベンチマークと多様なOODシナリオを通じて、SIGHTはGNNとの統合時の予測精度、不確実性推定、解釈可能性を一貫して強化する。

関連論文リスト

Explanation-Guided Adversarial Training for Robust and Interpretable Models [23.590037545621755]
本稿では,予測性能,ロバスト性,説明品質を向上させるために,EGAT(Explaination-Guided Adversarial Training)を提案する。 EGATは、モデルに説明に基づく制約を課しながら、その場で敵の例を生成する。 EGATは、クリーンな精度と敵対的な精度+37%で競争ベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-03-02T14:52:52Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
Are Domain Generalization Benchmarks with Accuracy on the Line Misspecified? [11.534630666670568]
モデルが活用できる不安定な統計的ショートカットである鮮やかな相関は、性能のアウト・オブ・ディストリビューションを低下させると予想される。現状の実践は、排除しようとする刺激的なシグナルを真に強調することなく、"ロバスト性"を評価することを示しています。
論文参考訳（メタデータ） (2025-03-31T19:50:04Z)
Self-Explainable Graph Transformer for Link Sign Prediction [8.820909397907274]
符号付きグラフニューラルネットワーク(SGNN)は、正と負のリンクが共存する現実の状況において、複雑なパターンを分析するのに有効であることが示されている。 SGNNモデルは説明可能性の低さに悩まされており、予測の背後にある理論的根拠を理解する必要のある重要なシナリオでの採用を制限する。本稿では,高い予測精度を確保しつつ説明可能な情報を出力するSelf-Explainable Signed Graph Transformer (SE-SGformer) フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-16T13:54:50Z)
Empowering Graph Invariance Learning with Deep Spurious Infomax [27.53568333416706]
本稿では,頑健かつ一般的な帰納バイアスを誘発する新しいグラフ不変性学習パラダイムを提案する。 EQuADは、合成データセットにおける様々なバイアスの度合いにまたがって安定したパフォーマンスを示し、実世界のデータセットに最大311.76%の価格で挑戦する。
論文参考訳（メタデータ） (2024-07-13T14:18:47Z)
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 in Graph Neural Networks: A Survey [47.785948021510535]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文参考訳（メタデータ） (2024-02-18T07:49:22Z)
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)
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)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。