論文の概要: Local Evidence and Geometric Readout Repair in Trained GNNs

• arxiv url: http://arxiv.org/abs/2609.27092v1
• Date: Tue, 22 Sep 2026 21:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.779933
• Title: Local Evidence and Geometric Readout Repair in Trained GNNs
• Title（参考訳）: 訓練GNNにおける局所的エビデンスと幾何学的読み出し修復
• Abstract要約: エラーは、混合重量の悪いか、分類器の配置が不十分な到達可能なロジットのどちらかを反映することができる。 我々はこれらの原因を、正確な質量線形プログラムと、2つの学習されたポストホック修復とで分離する。 8つのデータセット、8つのGNNバックボーン、10の分割で、凍結モデルでは62.6%から63.8%まで精度が上昇する。
• 参考スコア（独自算出の注目度）: 5.295422699745249
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many node-classification GNNs apply a linear classifier to a nonnegative mixture of local messages. An error can reflect either poor mixture weights or a reachable logit set poorly positioned for the classifier. We separate these causes with an exact-mass linear program and two learned post-hoc repairs. Every reweighted prediction has an equivalent centered logit translation, but only translations in a message-induced displacement set are realizable by reweighting. Across eight datasets, eight GNN backbones, and ten splits, mean accuracy rises from 62.6% for the frozen models to 63.8% with reweighting and 65.3% with set-conditioned translation. A parameter-matched node-only translator reaches 64.6%, showing that translation explains most of the gain while the message set supplies a smaller additional benefit. Although oracle reweighting can correct many errors, label-free reweighting captures little of this potential: local evidence is often present but hard to select, and relaxing the evidence constraint is more effective than learning within it.
• Abstract（参考訳）: 多くのノード分類GNNは、非負の局所メッセージの混合に線形分類器を適用する。 エラーは、混合重量の悪いか、分類器に不適切な位置に設定された到達可能なロジットのどちらかを反映することができる。 我々はこれらの原因を、正確な質量線形プログラムと、2つの学習されたポストホック修復とで分離する。 すべての再重み付き予測は、同じ中心のロジット変換を持つが、メッセージ誘起変位集合の変換のみが再重み付けによって実現可能である。 8つのデータセット、8つのGNNバックボーン、10の分割で、凍結モデルでは62.6%から63.8%まで精度が上昇し、再重み付けでは63.3%、セット条件翻訳では65.3%となっている。 パラメータマッチングされたノードのみのトランスレータが64.6%に達すると、メッセージセットがより小さなメリットを提供する一方で、変換がほとんどの利得を説明することが示される。 オラクルの再重み付けは多くの誤りを修正することができるが、ラベルのない再重み付けは、この可能性のほとんどを捉えている。

関連論文リスト

• PACE: Propagation-Aware Collaborative Correction for One-Shot Personalized Federated Graph Learning [4.349000444958713]
  PACEを導入し、完全局所予測器に協調知識をコンパクトな補正として扱う。 各クライアントは、ランク-r更新キャリアと、伝播するメッセージモーメントの対角的なスケッチをアップロードする。 サーバはこれらを使用して、レシーバが完全なローカルモデルを保持している間に、伝搬対応のレシーバアンコール補正を構築する。
  論文  参考訳（メタデータ） (2026-09-04T07:44:12Z)
• Unadapted Multilingual ASR on a Garrusi Kurdish Evaluation Set: A Common-Reference Staged Normalization Analysis [0.0]
  ラテン音場正書法で書かれたクルド方言の音声認識を評価する。 原文のアラビア文字仮説は111.70%のWERと100.92%のCERであり、正確な単語一致はゼロである。 ラテン語の文字化では102.36%のWERと57.89%のCERが与えられ、参照を縮小した正書法に折り畳むと97.85%と51.20%となる。
  論文  参考訳（メタデータ） (2026-08-17T10:31:30Z)
• M-GATE: Multilingual Grammar, Accuracy in Translation, and Efficiency Benchmark for Large Language Models [0.0]
  M-GATE(英語: M-GATE)は、30言語にまたがる言語能力のベンチマークである。 80以上の構成で50以上のモデルを評価しました。
  論文  参考訳（メタデータ） (2026-08-04T15:16:05Z)
• GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
  論文  参考訳（メタデータ） (2026-07-28T05:59:23Z)
• Output Vector Editing for Memorization Mitigation in Large Language Models [68.30351930772788]
  大規模な言語モデルは、トレーニングデータからシーケンスを記憶し、再現し、プライバシ、著作権、セキュリティリスクを生み出す。 既存のニューロンレベルの緩和方法は、ニューロンの活性化をゼロにすることで編集を等しくするが、活性化はニューロンが関与するかどうかのみを制御する。 記憶継続に責任を負うニューロンの小さな集合を探索する制約最適化編集である出力ベクトル編集を提案する。
  論文  参考訳（メタデータ） (2026-06-17T07:29:18Z)
• Guarded Repair for Harm-Aware Post-hoc Replacement of LLM Mathematical Reasoning [0.0]
  GuardedRepairは、キャッシュされた推論トレースを診断し、修正を選択的にトリガーし、答えを変える候補を受け入れる、最高のN修復フレームワークである。 GuardedRepairは、固定/壊れたトレードオフを大幅に改善すると同時に、削除されるよりも、置き換えのリスクが低減されることを示す。
  論文  参考訳（メタデータ） (2026-05-23T14:51:13Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Towards Faster k-Nearest-Neighbor Machine Translation [51.866464707284635]
  k-nearest-neighbor 機械翻訳アプローチは、トークンをデコードする際に、データストア全体の重い検索オーバーヘッドに悩まされる。 ニューラルネットワークの翻訳モデルとkNNが生成する確率によってトークンが共同で翻訳されるべきかどうかを予測するための,単純で効果的な多層パーセプトロン(MLP)ネットワークを提案する。 本手法は,翻訳品質をわずかに低下させることなく,kNN検索のオーバーヘッドを最大53%削減する。
  論文  参考訳（メタデータ） (2023-12-12T16:41:29Z)
• Mitigating Hallucinations and Off-target Machine Translation with Source-Contrastive and Language-Contrastive Decoding [53.84948040596055]
  修正された復号化目標を用いて、障害ケースを緩和する2つの関連手法を提案する。 大規模多言語モデルM2M-100 (418M) とSMaLL-100の実験は、これらの手法が幻覚やターゲット外の翻訳を抑制することを示した。
  論文  参考訳（メタデータ） (2023-09-13T17:15:27Z)
• MRN: Multiplexed Routing Network for Incremental Multilingual Text Recognition [56.408324994409405]
  多重ルーティングネットワーク(MRN)は、現在見られる言語ごとに認識器を訓練する。 MRNは、古いデータへの依存を効果的に減らし、破滅的な忘れ物との戦いを改善する。 既存の汎用IL法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2023-05-24T06:03:34Z)

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。