論文の概要: Reference-Tail Trust:Certified Probability Floors for Learned Updates Inside a Deployed Network

• arxiv url: http://arxiv.org/abs/2609.34904v1
• Date: Mon, 28 Sep 2026 11:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:46:57.110182
• Title: Reference-Tail Trust:Certified Probability Floors for Learned Updates Inside a Deployed Network
• Title（参考訳）: 基準トラスト:デプロイネットワーク内での学習更新のための認定確率フロア
• Abstract要約: グラフニューラルネットワーク(GNN)は、すでにデプロイに信頼されている予測を放棄することなく、改善されたメッセージパッシングを活用する必要がある。 我々は、凍結したGNN内で学習した更新を認め、実際に提供された予測を認証するフレームワークであるReference-Tail Trust (RTT)を紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) need to exploit improved message passing without surrendering control over predictions already trusted in deployment. We introduce Reference-Tail Trust (RTT), a framework that admits learned updates inside a frozen GNN and certifies the prediction actually served. RTT couples graph-based proposal states with a constrained internal optimizer: each displacement is charged for its worst-case terminal cross-entropy increase through the incumbent's remaining message-passing layers. A trajectory-validated tube and an independent checker enforce per-node probability floors, $p^{\mathrm{s}}_{ic} \ge e^{-H_{\mathrm{row}}} p^{\mathrm{r}}_{ic}$, and a call-level budget, $\sum_i w_i D_\infty(p^{\mathrm{r}}_i \| p^{\mathrm{s}}_i) \le H^+$, uniformly over labels. Calls whose adapted outputs pass certification require no separate full incumbent rollout; failed certificates trigger whole-call fallback. We derive the exact probability-floor frontier by water-filling, characterize architecture-constrained efficiency, and establish conditions under which internal propagation exploits evidence unavailable to restricted output correctors. In the reported ogbn-arxiv audit, RTT achieves $6.5\times 10^{-3}$ nats of mean gain per call, with a one-sided 95% regression-rate upper bound of 0.95% and a 95% negative-flip upper bound of 0.51% on the uninspected part of the reserved node population. Its mean gain is 61% of a cross-fitted posterior-based frontier estimate and exceeds the strongest matched one-pass corrector by $+0.9\times 10^{-3}$ nats. Reported experiments span eight proposals, six graph-incumbent families, structural and temporal graph shifts, and molecular prediction, with additional image and tabular evaluations. RTT makes GNN adaptation a budgeted, certifiable inference decision rather than an unconditional model replacement.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、すでにデプロイに信頼されている予測を放棄することなく、改善されたメッセージパッシングを活用する必要がある。 我々は、凍結したGNN内で学習した更新を認め、実際に提供された予測を認証するフレームワークであるReference-Tail Trust (RTT)を紹介した。 RTTは、グラフベースの提案ステートと制約付き内部オプティマイザを結合する: それぞれの変位は、既存のメッセージパス層を通して、最悪のケースの終端エントロピーの増大に対して課金される。 トラジェクトリバリデーションチューブと独立チェッカーは、ノード当たりの確率フロア、$p^{\mathrm{s}}_{ic} \ge e^{-H_{\mathrm{row}}} p^{\mathrm{r}}_{ic}$、コールレベルの予算、$\sum_i w_i D_\infty(p^{\mathrm{r}}_i \| p^{\mathrm{s}}_i) \le H^+$を、一様にラベルで強制する。 適応出力が認証をパスしたコールは、独立した完全なロールアウトを必要としない。 本研究では,水充填による正確な確率フロアフロンティアを導出し,構造制約された効率を特徴付けるとともに,内部伝搬が制約された出力補正器では不可能な証拠を活用できる条件を確立する。 報告されたogbn-arxiv監査では、RTTは平均利得の6.5\times 10^{-3}$Natsを達成し、一方の95%回帰レート上限は0.95%、95%負フリップ上限は0.51%である。 平均利得は、クロスフィットした後縁フロンティア推定の61%であり、最強の一致した1パス補正器を+0.9\times 10^{-3}$ natsで上回っている。 報告された実験は、8つの提案、6つのグラフ既存ファミリー、構造的および時間的グラフシフト、分子予測、追加の画像と表計算による評価を含む。 RTTは、GNN適応を無条件のモデル置換ではなく、予算付きで証明可能な推論決定にする。

関連論文リスト

• A Convergence Framework for Deep $V$-Learning: Error Propagation and Sharp Action-Gap Bounds [0.0]
  更新エラーを、フィッティング、遷移再利用、ターゲット構築、リプレイ、アクション選択、探索の6つの残差に分解する。 次数$n-$の統計的誤差境界に対して、最適連続割り当てと、制約された最適値の係数2$以内の整数割り当てを導出する。 これらの結果から, FIFO/インターリーブされたSGDに対して, 厳密な動作スコアを有する固定水平生成-リセット近似-ERM法に対して, 期待されるポリシ-ロス一貫性が得られた。
  論文  参考訳（メタデータ） (2026-09-16T15:03:46Z)
• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• Finite Constant Frontiers and Auditable Regret Certificates for Average-Reward Reinforcement Learning [0.9558392439655014]
  定数対応比較プロトコルを導入し、MPPを通信するための明示的な有限下位証明書を導出する。 共通閉形式エンベロープは有限フロンティアで発行された係数を0.015$に改善する。
  論文  参考訳（メタデータ） (2026-08-07T19:28:58Z)
• GRACE: Gated Refinement for Accurate Causal Edge Discovery in High-Dimensional Time Series [0.0]
  高速リニアCIスケルトンはハイリコール候補を提供する。 単一ゲートモデルは、どのエッジが真に予測を改善するかを学ぶことによって、偽陽性を誘発する。 GRACEは高価な非線形CIテストと少しのコストで一致または超過します。
  論文  参考訳（メタデータ） (2026-06-22T19:26:38Z)
• ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks [0.0]
  エンタープライズドメイン全体にわたるディープラーニングシステムは、学術ベンチマークが不明瞭な制約の下で運用される。 本稿では、典型的なアクティベーションを微分正規化(DREG)によって制御される学習可能な層に置き換えるニューラルネットワークChainzRule(CR)を提案する。 CRは、ピマ糖尿病で85.71% pm 2.01%$、凍結エンコーダでSST-5の感情分類で46.20% pm 0.37%$、パラメータが3.2Mの完全順序回帰で70.17%$を達成している。
  論文  参考訳（メタデータ） (2026-05-23T01:52:50Z)
• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• When Do Early-Exit Networks Generalize? A PAC-Bayesian Theory of Adaptive Depth [13.891522069967507]
  早期の外部ニューラルネットワークは、中間層で確実な予測を終了させることで、適応的な計算を可能にする。 広く展開されているにもかかわらず、それらの一般化特性は理論的な理解を欠いている。 本稿では,適応深度ネットワークのための統一的なPAC-Bayesianフレームワークを確立する。
  論文  参考訳（メタデータ） (2026-04-17T07:08:33Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Provably Efficient Offline Reinforcement Learning with Trajectory-Wise Reward [66.81579829897392]
  我々はPessimistic vAlue iteRaTionとrEward Decomposition (PARTED)という新しいオフライン強化学習アルゴリズムを提案する。 PartEDは、最小2乗ベースの報酬再分配を通じて、ステップごとのプロキシ報酬に軌道を分解し、学習したプロキシ報酬に基づいて悲観的な値を実行する。 私たちの知る限りでは、PartEDは、トラジェクティブな報酬を持つ一般のMDPにおいて、証明可能な効率のよい最初のオフラインRLアルゴリズムである。
  論文  参考訳（メタデータ） (2022-06-13T19:11:22Z)

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。