論文の概要: Same Graph, Different Likelihoods: Calibration of Autoregressive Graph Generators via Permutation-Equivalent Encodings

• arxiv url: http://arxiv.org/abs/2604.05613v1
• Date: Tue, 07 Apr 2026 09:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.728162
• Title: Same Graph, Different Likelihoods: Calibration of Autoregressive Graph Generators via Permutation-Equivalent Encodings
• Title（参考訳）: 類似グラフ:置換等価符号化による自己回帰グラフ生成器の校正
• Authors: Laurits Fredsgaard, Aaron Thomas, Michael Riis Andersen, Mikkel N. Schmidt, Mahito Sugiyama,
• Abstract要約: 我々は、等価線形化における変動係数を用いて、割り当てられた負の対数類似度(NLL)における違反を定量化する。 偏りのある順序はNLLをそのネイティブな順序で低くするが、予測キャリブレーション誤差(ECE)はランダムな順で2桁高い値を示す。
• 参考スコア（独自算出の注目度）: 13.71581355372561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive graph generators define likelihoods via a sequential construction process, but these likelihoods are only meaningful if they are consistent across all linearizations of the same graph. Segmented Eulerian Neighborhood Trails (SENT), a recent linearization method, converts graphs into sequences that can be perfectly decoded and efficiently processed by language models, but admit multiple equivalent linearizations of the same graph. We quantify violations in assigned negative log-likelihood (NLL) using the coefficient of variation across equivalent linearizations, which we call Linearization Uncertainty (LU). Training transformers under four linearization strategies on two datasets, we show that biased orderings achieve lower NLL on their native order but exhibit expected calibration error (ECE) two orders of magnitude higher under random permutation, indicating that these models have learned their training linearization rather than the underlying graph. On the molecular graph benchmark QM9, NLL for generated graphs is negatively correlated with molecular stability (AUC $=0.43$), while LU achieves AUC $=0.85$, suggesting that permutation-based evaluation provides a more reliable quality check for generated molecules. Code is available at https://github.com/lauritsf/linearization-uncertainty
• Abstract（参考訳）: 自己回帰グラフ生成器はシーケンシャルな構成過程を通じて可能性を定義するが、これらの可能性は同じグラフのすべての線型化に対して一貫性がある場合のみ意味を持つ。 最近の線形化法であるSegmented Eulerian Neighborhood Trails (SENT)は、グラフを言語モデルによって完全に復号化され、効率的に処理できるシーケンスに変換するが、同じグラフの複数の等価な線形化を認める。 線形化不確実性 (LU) と呼ばれる等価線形化の変動係数を用いて, 割り当てられた負の対数類似度 (NLL) における違反を定量化する。 2つのデータセット上の4つの線形化戦略の下でのトレーニングトランスフォーマーは, 偏位順序がNLLをネイティブ順で低くするが, 予測キャリブレーション誤差(ECE)がランダムな置換の下で2桁高い値を示すことを示し, これらのモデルが基礎となるグラフではなく, トレーニング線形化を学習したことを示す。 分子グラフベンチマークQM9では、生成グラフに対するNLLは分子安定性と負の相関(AUC$=0.43$)を持ち、LUはAUC$=0.85$を達成し、置換に基づく評価は生成した分子に対するより信頼性の高い品質チェックを提供することを示唆している。 コードはhttps://github.com/lauritsf/linearization-uncertaintyで入手できる。

関連論文リスト

• Signed Graph Learning: Algorithms and Theory [17.374356596021936]
  実世界のデータは、しばしばデータサンプル間の関係を通して表現され、グラフ構造を形成する。 現在のグラフ学習研究は主に符号なしグラフに焦点を当てている。 我々はスムーズな符号付きグラフ信号の集合をキャプチャする手法を開発した。
  論文  参考訳（メタデータ） (2025-07-13T17:33:26Z)
• Efficient Learning of Balanced Signed Graphs via Sparse Linear Programming [26.334739062500674]
  バランスの取れた符号グラフは、単純線型変換を通して対応する正のグラフの1つにマップする固有ベクトルを持つ。 データから直接、バランスの取れたラプラシアングラフを学習する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2025-06-02T16:09:51Z)
• Learning-Order Autoregressive Models with Application to Molecular Graph Generation [52.44913282062524]
  本稿では,データから逐次推定される確率的順序付けを用いて高次元データを生成するARMの変種を紹介する。 提案手法は,画像およびグラフ生成において有意義な自己回帰順序を学習できることを実験的に実証した。
  論文  参考訳（メタデータ） (2025-03-07T23:24:24Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。