Fugu-MT 論文翻訳(概要): In-Context Graphical Inference

論文の概要: In-Context Graphical Inference

arxiv url: http://arxiv.org/abs/2606.05042v1
Date: Wed, 03 Jun 2026 16:04:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 20:44:18.879614
Title: In-Context Graphical Inference
Title（参考訳）: In-Context Graphical Inference
Authors: Zehua Cheng, Wei Dai, Jiahao Sun,
Abstract要約: 正確な推論を正すシーケンシャルな消去構造を復元する自動回帰グラフ変換器を導入する。 TT圧縮誤差は, 自己回帰連鎖を通じてほとんどリンカリーに伝播し, ディリクレ・マルティノミカル損失は適切なスコアリング則であり, WCPは推定密度比で定量劣化した範囲を維持していることを証明した。
参考スコア（独自算出の注目度）: 9.39195684989942
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Marginal inference in discrete graphical models forces a choice between exactness and scalability: exact algorithms are intractable for high-treewidth graphs, while iterative approximations (Belief Propagation, variational methods) sacrifice convergence guarantees on frustrated topologies. We argue that this dichotomy stems from a mismatched inductive bias: iterative methods abandon the sequential elimination structure that makes exact inference correct. We introduce In-Context Graphical Inference (ICG-I), an autoregressive Graph Transformer that restores this structure by mimicking Variable Elimination with learned, Tensor- Train-compressed intermediate factors, paired with a Dirichlet output layer and Weighted Conformal Prediction for calibrated, distribution-free coverage guarantees under topological shift. We prove that TT compression errors propagate at most lincarly through the autoregressive chain, that the Dirichlet-Multinomial loss is a proper scoring rule, and that WCP maintains coverage with a quantifiable degradation under estimated density ratios. We conducted intensive experiments to evaluate ICG-I and achieved state-of-the-art performance across all benchmarks. ICG-I reduces MAE from 0.041 (best baseline) to 0.020 on standard instances and achieves 0.048 on N=500 frustrated spin glasses where BP diverges entirely.
Abstract（参考訳）: 厳密なアルゴリズムは高木幅グラフでは難解であるが、反復近似(伝播、変分法)はフラストレーショントポロジー上での収束の保証を犠牲にする。この二分法は、不一致な帰納的バイアス(英語版)に起因し、反復的手法は正確な推論を正す逐次的排除構造を捨てる。 In-Context Graphical Inference (ICG-I) は、トポロジカルシフトの下で、ディリクレ出力層と重み付きコンフォーマル予測(Weighted Conformal Prediction)を組み合わせ、学習したテンソルトレイン圧縮中間因子との可変除去を模倣して、この構造を復元する自動回帰グラフ変換器である。 TT圧縮誤差は, 自己回帰連鎖を通じてほとんどリンカリーに伝播し, ディリクレ・マルティノミカル損失は適切なスコアリング則であり, WCPは推定密度比で定量劣化した範囲を維持していることを証明した。我々はICG-Iを評価するために集中的な実験を行い、全てのベンチマークで最先端の性能を達成した。 ICG-Iは、標準インスタンスでMAEを0.041(ベストベースライン)から0.020に減少させ、BPが完全に分岐するN=500のフラストレーションスピングラス上で0.048を達成する。

関連論文リスト

Cross-Domain Lossy Compression via Constrained Minimum Entropy Coupling [5.404926467615337]
最小エントロピーカップリング (MEC) レンズによる領域間損失圧縮について, 速度および分類制約による検討を行った。対数的ロス歪みを動機として,情報源と復元の結合強度を最大化する情報に基づく目的を取り入れた。 MNIST超解像およびSVHN復調実験により、使用率の増加は分類精度を向上し、より情報的な再構成をもたらすことが示された。
論文参考訳（メタデータ） (2026-05-11T00:19:11Z)
Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文参考訳（メタデータ） (2026-04-11T10:47:22Z)
Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
論文参考訳（メタデータ） (2026-03-18T01:25:08Z)
Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
論文参考訳（メタデータ） (2026-03-02T10:43:19Z)
Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文参考訳（メタデータ） (2026-02-24T05:32:03Z)
Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文参考訳（メタデータ） (2026-02-09T22:48:30Z)
Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
教師付きディープラーニングの基本的限界は「一般化崩壊」である階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
論文参考訳（メタデータ） (2025-12-19T11:37:02Z)
DAG DECORation: Continuous Optimization for Structure Learning under Hidden Confounding [0.0]
本研究では, 線形ガウスSEMの構造学習について検討した。我々は,DAGと相関雑音モデルとを共同で学習する単一の可能性に基づく推定器であるtextscDECORを提案する。
論文参考訳（メタデータ） (2025-10-02T15:23:30Z)
Fractal Graph Contrastive Learning [4.900366729482915]
Fractal Graph Contrastive Learning (FractalGCL)は、2つの重要なイノベーションを紹介する理論駆動のフレームワークである。フォールバック機構は、非フラクタルグラフでさえパフォーマンスの低いバウンドを保証する。実験によると、FractalGCLは標準ベンチマークで最先端の結果を提供するだけでなく、従来と最新のトラフィックネットワークのベースラインを平均で約4%上回っている。
論文参考訳（メタデータ） (2025-05-16T15:19:10Z)
Distribution of Classification Margins: Are All Data Equal? [61.16681488656473]
我々は理論的に動機付け、トレーニングセット上のマージン分布の曲線の下の領域が実際は一般化のよい尺度であることを実証的に示す。結果として生じる"高いキャパシティ"機能のサブセットは、異なるトレーニング実行間で一貫性がない。
論文参考訳（メタデータ） (2021-07-21T16:41:57Z)
Pruning Redundant Mappings in Transformer Models via Spectral-Normalized Identity Prior [54.629850694790036]
スペクトル正規化アイデンティティ事前 (SNIP) は、トランスフォーマーモデルにおける残余モジュール全体をアイデンティティマッピングに向けてペナライズする構造化プルーニング手法である。 5つのGLUEベンチマークタスクでBERTを用いて実験を行い、SNIPが同等の性能を維持しながら効率的な刈り取り結果が得られることを示した。
論文参考訳（メタデータ） (2020-10-05T05:40:56Z)

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。