Fugu-MT 論文翻訳(概要): Random-Set Graph Neural Networks

論文の概要: Random-Set Graph Neural Networks

arxiv url: http://arxiv.org/abs/2605.11987v1
Date: Tue, 12 May 2026 11:38:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.825872
Title: Random-Set Graph Neural Networks
Title（参考訳）: ランダムセットグラフニューラルネットワーク
Authors: Tommy Woodley, Shireen Kudukkil Manchingal, Matteo Tolloso, Davide Bacciu, Fabio Cuzzolin,
Abstract要約: グラフニューラルネットワーク(GNN)が生成するデータ表現を理解する上で,不確かさの定量化が重要な要素となっている。本稿では,ノードレベルの不確かさを信念関数(有限乱集合)の定式化でモデル化するフレームワークを提案する。得られたランダムセットグラフニューラルネットワークは、クラスのリスト上のランダムセットを予測する信念関数ヘッドを持ち、そこから正確な確率予測と不確実性の尺度を得ることができる。
参考スコア（独自算出の注目度）: 21.342463878021146
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Uncertainty quantification has become an important factor in understanding the data representations produced by Graph Neural Networks (GNNs). Despite their predictive capabilities being ever useful across industrial workspaces, the inherent uncertainty induced by the nature of the data is a huge mitigating factor to GNN performance. While aleatoric uncertainty is the result of noisy and incomplete stochastic data such as missing edges or over-smoothing, epistemic uncertainty arises from lack of knowledge about a system or model (e.g., a graph's topology or node feature representation), which can be reduced by gathering more data and information. In this paper, we propose an original new framework in which node-level epistemic uncertainty is modelled in a belief function (finite random set) formalism. The resulting Random-Set Graph Neural Networks have a belief-function head predicting a random set over the list of classes, from which both a precise probability prediction and a measure of epistemic uncertainty can be obtained. Extensive experiments on 9 different graph learning datasets, including real-world autonomous driving benchmarks as such Nuscene and ROAD, demonstrate RS-GNN's superior uncertainty quantification capabilities
Abstract（参考訳）: グラフニューラルネットワーク(GNN)が生成するデータ表現を理解する上で,不確かさの定量化が重要な要素となっている。予測能力は産業の作業空間全体にわたって有用であるにもかかわらず、データの性質によって引き起こされる本質的な不確実性は、GNNのパフォーマンスを損なう大きな要因である。聴覚的不確実性は、エッジの欠如や過度な平滑化などの不完全な確率的データの結果である一方で、認識的不確実性は、システムやモデルに関する知識の欠如(例えば、グラフのトポロジやノードの特徴表現)から生じ、より多くのデータや情報を集めることで減少することができる。本稿では,ノードレベルの疫学不確実性が信念関数(有限乱数集合)の定式化によってモデル化される,新しい枠組みを提案する。得られたランダムセットグラフニューラルネットワークは、クラスのリスト上のランダムセットを予測する信念関数ヘッドを持ち、そこから正確な確率予測と疫学不確実性の尺度を得ることができる。 Nuscene や ROAD のような実世界の自律走行ベンチマークを含む9つのグラフ学習データセットに関する大規模な実験は、RS-GNN の優れた不確実性定量化能力を示している。

関連論文リスト

Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
論文参考訳（メタデータ） (2025-06-16T03:59:38Z)
BetaExplainer: A Probabilistic Method to Explain Graph Neural Networks [1.798554018133928]
グラフニューラルネットワーク(GNN)は、グラフデータに対する推論を行う強力なツールである。多くの解釈可能なGNN法が存在するが、エッジウェイトの不確かさを定量化することはできない。マスクが重要でないエッジに先立って,これらの問題に対処するBetaExplainerを提案する。
論文参考訳（メタデータ） (2024-12-16T16:45:26Z)
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)
Uncertainty Propagation in Node Classification [9.03984964980373]
本稿では,ノード分類作業におけるグラフニューラルネットワーク(GNN)の不確実性の測定に焦点をあてる。ベイジアンモデリングフレームワークにGNNを組み込んだベイジアン不確実性伝播(BUP)法を提案する。本稿では,GNNが学習過程における予測的不確実性を明確に統合できるようにするノード分類における不確実性指向の損失について述べる。
論文参考訳（メタデータ） (2023-04-03T12:18:23Z)
USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマークより優れていることを示している。
論文参考訳（メタデータ） (2023-02-12T10:32:12Z)
On the Prediction Instability of Graph Neural Networks [2.3605348648054463]
トレーニングされたモデルの不安定性は、マシンラーニングシステムの信頼性、信頼性、信頼性に影響を与える可能性がある。最新のグラフニューラルネットワーク(GNN)によるノード分類の不安定性の予測を系統的に評価する。不正に分類されたノードの最大3分の1は、アルゴリズムの実行によって異なることがわかった。
論文参考訳（メタデータ） (2022-05-20T10:32:59Z)
A General Framework for quantifying Aleatoric and Epistemic uncertainty in Graph Neural Networks [0.29494468099506893]
Graph Neural Networks(GNN)は、グラフ理論と機械学習をエレガントに統合する強力なフレームワークを提供する。本稿では,モデル誤差と測定の不確かさからGNNの予測の不確かさを定量化する問題を考察する。ベイジアンフレームワークにおける両源の不確実性を扱うための統一的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-20T05:25:40Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文参考訳（メタデータ） (2021-10-20T14:23:54Z)
Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文参考訳（メタデータ） (2021-02-22T07:02:37Z)
Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。