論文の概要: HeAD-CP: Heterophily-Aware Diffused Conformal Prediction Sets for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.25273v1
• Date: Tue, 28 Jul 2026 04:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.709498
• Title: HeAD-CP: Heterophily-Aware Diffused Conformal Prediction Sets for Graph Neural Networks
• Title（参考訳）: HeAD-CP:グラフニューラルネットワークのためのヘテログリーな拡散等角予測セット
• Abstract要約: HeAD-CPは、係数がラベルのない局所ホモフィリー推定によって決定されるノードワイド拡散変種群である。 10のベンチマークでは、HeAD-CPファミリーはすべてのデータセットでプレーンAPS以下にとどまり、DAPSは6でAPSを超えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction (CP) provides distribution-free uncertainty quantification, and its extension to graphs is an active research direction. Diffused Adaptive Prediction Sets (DAPS) is a widely used graph-aware diffusion baseline, propagating Adaptive Prediction Sets (APS) non-conformity scores along edges with a uniform coefficient $λ$. We identify a fundamental shortcoming of this design: the uniform low-pass diffusion presupposes graph homophily and proves detrimental on heterophilic graphs, enlarging the mean prediction-set size by up to 10.6% relative to plain APS. To mitigate this, we propose HeAD-CP, a family of node-wise diffusion variants whose coefficients are determined by a label-free local-homophily estimate derived from the GNN softmax. Three variants, namely signed-$γ$, edge-compatibility, and a DAPS-baseline-with-correction, are most effective at extreme heterophily, intermediate heterophily, and moderate-to-high homophily, respectively, and all preserve the marginal coverage guarantee. On ten benchmarks, the HeAD-CP family stays at or below plain APS on every dataset, while DAPS exceeds APS on six. The post-hoc oracle over the family improves over DAPS on 8/10 datasets at $p<0.01$ (paired Wilcoxon), with the largest gains on heterophilic graphs (10.3% on Texas); on the two homophilic datasets where DAPS still wins (CiteSeer, PubMed), it retains a marginal advantage of at most 0.002, statistically insignificant on CiteSeer ($p=0.23$). Designing a calibrated label-free selector that approaches this oracle is the main outstanding empirical question.
• Abstract（参考訳）: コンフォーマル予測(CP)は分布のない不確実性定量化を提供し、グラフへの拡張は活発な研究方向である。 拡散適応予測セット (Diffused Adaptive Prediction Sets, DAPS) は、適応予測セット (APS) の非整合性スコアを一様係数$λ$で伝播する、広く使われているグラフ対応拡散ベースラインである。 均一な低域拡散はグラフをホモフィリーに仮定し、異種グラフに有害であることを証明し、平均予測セットのサイズを通常のAPSに対して最大10.6%拡大する。 これを軽減するために、GNNソフトマックスから導かれるラベルなし局所ホモフィリー推定により係数が決定されるノードワイド拡散変種群であるHeAD-CPを提案する。 符号付きγ$、エッジ適合性、DAPSベースの補正の3つの変種は、それぞれ極端ヘテロフィリー、中間ヘテロフィリー、中間ヘテロフィリー、中間から高いホモフィリーにおいて最も有効であり、いずれも境界被覆保証を保っている。 10のベンチマークでは、HeAD-CPファミリーはすべてのデータセットでプレーンAPS以下にとどまり、DAPSは6でAPSを超えている。 ファミリー上のポストホックオラクルは、8/10データセットのDAPSを$p<0.01$(Paired Wilcoxon)で改善し、異種グラフ(テキサスでは10.3%)で最大の利益を上げ、DAPSがまだ勝利している2つのホモ親和性データセット(CiteSeer、PubMed)では、統計的に重要でないCiteSeer(p=0.23$)の0.002以上の限界的な優位性を維持している。 このオラクルにアプローチするキャリブレーション付きラベルフリーセレクタを設計することは、主要な経験的問題である。

関連論文リスト

• CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
  CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。 ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
  論文  参考訳（メタデータ） (2026-07-03T09:36:02Z)
• When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice [2.1067460775364286]
  グラフニューラルネットワーク(GNN)設計規則は、ベンチマークファミリにまたがって一般化される。 我々は、引用、異好性、LINKX Facebook-100、共購入、共オーサシップグラフにまたがる24のノード分類データセットに対して、アグリゲータ選択(sum, mean, max)について検討した。 以上の結果から, 設計規則が一般化するか否かは, 数値的不整合ではなく, ベンチマーク組成によって決定される可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-08T23:36:14Z)
• Q-LocalAdam: Memory-Efficient Client-Side Adaptive Optimization for Edge Federated Learning [1.4610038284393168]
  エッジデバイス上でのフェデレーション学習は、IID以外のクライアントデータと厳しいメモリ予算に対処する必要がある。 分散を意識した8ビット量子化ブロックワイド線形符号化と分散のためのログ空間符号化を応用したtextbfQ-LocalAdam を提案する。
  論文  参考訳（メタデータ） (2026-05-17T17:23:23Z)
• A Closed-Form Adaptive-Landmark Kernel for Certified Point-Cloud and Graph Classification [0.0]
  PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの方法である ドメインインフレーションが8ドルになると、均等グリッドが崩壊する一方、プレースメントは94%$を維持している(4クラスデータでは25%$) PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの手法である。
  論文  参考訳（メタデータ） (2026-05-05T17:59:18Z)
• A Closed-Form Persistence-Landmark Pipeline for Certified Point-Cloud and Graph Classification [0.0]
  PLACE(Persistence-Landmark Analytic Classification Engine)は、点雲とグラフを分類するためのクローズドフォームパイプラインである。 3つの量的保証 -- マージンベースの過剰リスク率、クローズドフォーム記述子選択ルール、プレディションごとの証明書 -- は、トレーニングラベルのみから導かれる。
  論文  参考訳（メタデータ） (2026-05-04T17:15:01Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Enhancing Zero-Shot Vision Models by Label-Free Prompt Distribution Learning and Bias Correcting [55.361337202198925]
  CLIPのようなヴィジュアル言語モデルは、適切なテキスト記述を使用する際に、顕著な一般化能力を示している。 本稿では,ラベル付きデータを必要としないゼロショット性能を向上する,**Frolic**と呼ばれるラベルフリーな分布学習とバイアス補正フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-25T04:00:45Z)
• HC-GST: Heterophily-aware Distribution Consistency based Graph Self-training [29.289729624422773]
  異種グラフ上での自己学習におけるホモフィリ比分布シフトを減少させる新しい問題について検討する。 そこで本研究では,ヘテロフィックな分散一貫性に基づくグラフ自己学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-25T05:38:06Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Towards Discriminability and Diversity: Batch Nuclear-norm Maximization under Label Insufficient Situations [154.51144248210338]
  Batch Nuclear-norm Maximization (BNM) は、学習シナリオのラベルが不十分な場合の学習を促進するために提案されている。 BNMはライバルより優れており、既存のよく知られた手法でうまく機能する。
  論文  参考訳（メタデータ） (2020-03-27T05:04:24Z)

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。