論文の概要: Quantile-Free Uncertainty Quantification in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.04847v1
• Date: Wed, 06 May 2026 12:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.816584
• Title: Quantile-Free Uncertainty Quantification in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおける量子自由不確かさ量子化
• Abstract要約: グラフニューラルネットワーク(GNN)における不確実性定量化(UQ)は、高い領域において重要であるが、依然として重要な課題である。 我々は、GNNベースのUQを実現するために、QR(quantile regression)に基づくフレームワークであるQuantile-free Prediction Interval GNN(QpiGNN)を紹介する。 QpiGNNは、予測と不確実性を分離するデュアルヘッドアーキテクチャを採用し、量子自由結合損失を通じてラベルのみの監視で訓練されている。
• 参考スコア（独自算出の注目度）: 22.90804904063177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification (UQ) in graph neural networks (GNNs) is crucial in high-stakes domains but remains a significant challenge. In graph settings, message passing often relies on strong assumptions such as exchangeability, which are rarely satisfied in practice. Moreover, achieving reliable UQ typically requires costly resampling or post-hoc calibration. To address these issues, we introduce Quantile-free Prediction Interval GNN (QpiGNN), a framework that builds on quantile regression (QR) to enable GNN-based UQ by directly optimizing coverage and interval width without requiring quantile inputs or post-processing. QpiGNN employs a dual-head architecture that decouples prediction and uncertainty, and is trained with label-only supervision through a quantile-free joint loss. This design allows efficient training and yields robust prediction intervals, with theoretical guarantees of asymptotic coverage and near-optimal width under mild assumptions. Experiments on 19 synthetic and real-world benchmarks show QpiGNN achieves average 22\% higher coverage and 50\% narrower intervals than baselines, while ensuring efficiency and robustness to noise and structural shifts.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)における不確実性定量化(UQ)は、高い領域において重要であるが、依然として重要な課題である。 グラフ設定では、メッセージパッシングは、しばしば交換可能性のような強い仮定に依存します。 さらに、信頼できるUQを達成するには、通常、コストのかかる再サンプリングやポストホックキャリブレーションが必要となる。 これらの問題に対処するために、我々はQuantile-free Prediction Interval GNN (QpiGNN)を紹介した。これは、Quantile Regressive(QR)に基づいて、Quantile Inputや後処理を必要とせずに、範囲と間隔幅を直接最適化することで、GNNベースのUQを可能にするフレームワークである。 QpiGNNは、予測と不確実性を分離するデュアルヘッドアーキテクチャを採用し、量子自由結合損失を通じてラベルのみの監視で訓練されている。 この設計は、効率的なトレーニングを可能にし、穏やかな仮定の下で、漸近的カバレッジとほぼ最適幅を理論的に保証し、堅牢な予測間隔を得る。 19の総合的および実世界のベンチマークの実験では、QpiGNNはベースラインよりも平均22\%高いカバレッジと50\%の狭い間隔を達成し、ノイズや構造変化に対する効率性と堅牢性を確保している。

関連論文リスト

• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• QEBVerif: Quantization Error Bound Verification of Neural Networks [6.327780998441913]
  量子化は、エッジデバイスにディープニューラルネットワーク(DNN)をデプロイするための有望なテクニックとして広く見なされている。 既存の検証方法は、個々のニューラルネットワーク(DNNまたはQNN)または部分量子化のための量子化エラーにフォーカスする。 本稿では、重みとアクティベーションテンソルの両方を量子化する量子化誤差境界検証手法QEBVerifを提案する。
  論文  参考訳（メタデータ） (2022-12-06T06:34:38Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)

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。