Fugu-MT 論文翻訳(概要): Conformal Graph Prediction with Z-Gromov Wasserstein Distances

論文の概要: Conformal Graph Prediction with Z-Gromov Wasserstein Distances

arxiv url: http://arxiv.org/abs/2603.02460v3
Date: Thu, 05 Mar 2026 07:56:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-06 15:25:24.259106
Title: Conformal Graph Prediction with Z-Gromov Wasserstein Distances
Title（参考訳）: Z-Gromov Wasserstein距離を用いた等角グラフ予測
Authors: Gabriel Melo, Thibaut de Saivre, Anna Calissano, Florence d'Alché-Buc,
Abstract要約: 教師付きグラフ予測は、出力が構造化グラフである回帰問題に対処する。本稿では,グラフ値出力の共形予測フレームワークを提案し,構造化された出力空間における分布自由なカバレッジ保証を提供する。
参考スコア（独自算出の注目度）: 6.575089845815419
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Supervised graph prediction addresses regression problems where the outputs are structured graphs. Although several approaches exist for graph-valued prediction, principled uncertainty quantification remains limited. We propose a conformal prediction framework for graph-valued outputs, providing distribution-free coverage guarantees in structured output spaces. Our method defines nonconformity via the Z-Gromov-Wasserstein distance, instantiated in practice through Fused Gromov-Wasserstein (FGW), enabling permutation invariant comparison between predicted and candidate graphs. To obtain adaptive prediction sets, we introduce Score Conformalized Quantile Regression (SCQR), an extension of Conformalized Quantile Regression (CQR) to handle complex output spaces such as graph-valued outputs. We evaluate the proposed approach on a synthetic task and a real problem of molecule identification.
Abstract（参考訳）: 教師付きグラフ予測は、出力が構造化グラフである回帰問題に対処する。グラフ値予測にはいくつかのアプローチが存在するが、原理的不確実性定量化は依然として限られている。本稿では,グラフ値出力の共形予測フレームワークを提案し,構造化された出力空間における分布自由なカバレッジ保証を提供する。提案手法は,Z-Gromov-Wasserstein距離による非整合性をFGW(Fused Gromov-Wasserstein)により実現し,予測グラフと候補グラフの置換不変比較を可能にする。適応的な予測セットを得るために,グラフ値出力などの複雑な出力空間を扱うために,CQRの拡張であるSCQRを導入する。本研究は,合成課題と分子同定の真問題に対する提案手法の評価である。

関連論文リスト

Conformal Inference for Time Series over Graphs [29.748266176856973]
我々は,グラフ時系列に適した逐次予測フレームワークを開発した。重要な技術的革新は、グラフ構造を活用して、ノード間のペアの依存関係をキャプチャすることだ。提案手法は, 楕円体予測セットの体積をグラフに依存しない相対的に指数関数的に縮退させる。
論文参考訳（メタデータ） (2025-10-13T06:32:09Z)
Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations [1.2584276673531931]
グラフニューラルネットワークは、様々なネットワークモデリングタスクで目覚ましい結果を得たが、グラフ上の不確実性を正確に推定することは難しいままである。本稿では,SPDEへのガウス過程アプローチによる空間時空間雑音を取り入れた新しいメッセージパッシング方式を提案する。提案手法は,空間的および時間的不確かさを同時に捕捉し,共分散カーネルのスムーズさを明示的に制御し,低ラベルと高ラベルの両方でグラフ上の不確かさを推定する。
論文参考訳（メタデータ） (2025-06-07T19:58:38Z)
Graph Counterfactual Explainable AI via Latent Space Traversal [4.337339380445765]
反実的な説明は、分配の代替入力の「アレスト」を見つけることによって予測を説明することを目的としている。本稿では, 識別可能なブラックボックスグラフ分類器に対して, 反実的説明を生成する手法を提案する。我々は3つのグラフデータセットに対するアプローチを実証的に検証し、我々のモデルはベースラインよりも一貫してハイパフォーマンスで堅牢であることを示した。
論文参考訳（メタデータ） (2025-01-15T15:04:10Z)
Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。スコアの累積分布関数(CDF)を柔軟に推定する。提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文参考訳（メタデータ） (2024-11-04T14:29:02Z)
Fine-grained Graph Rationalization [51.293401030058085]
グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
論文参考訳（メタデータ） (2023-12-13T02:56:26Z)
Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文参考訳（メタデータ） (2023-06-13T12:40:39Z)
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)
Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文参考訳（メタデータ） (2023-02-08T08:17:43Z)
GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph Generation [43.196067037856515]
グラフ生成モデルは生物学、化学、社会科学に広く応用されている。現在の先行自己回帰モデルは、グラフの置換不変性を取り込むことができない。置換不変グラフ生成のための連続時間生成拡散プロセスを提案する。
論文参考訳（メタデータ） (2022-12-04T15:12:44Z)
FORESEE: Prediction with Expansion-Compression Unscented Transform for Online Policy Optimization [8.97438370260135]
本研究では,オンライン政策最適化問題のクラスを解くために,拡張圧縮アンセント変換(Expansion-Compression Unscented Transform)と呼ばれる状態予測手法を提案する。提案アルゴリズムは状態依存分布を通じて有限個のシグマ点を伝播し,各段階におけるシグマ点数の増加を規定する。その性能はモンテカルロに匹敵するが、計算コストははるかに低い。
論文参考訳（メタデータ） (2022-09-26T12:47:08Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文参考訳（メタデータ） (2022-01-25T06:23:10Z)

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。