論文の概要: Propagate, Then Sharpen: Post-Hoc Refinement of Frozen Node Classifiers
- arxiv url: http://arxiv.org/abs/2609.35080v1
- Date: Mon, 28 Sep 2026 13:01:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 17:09:56.090107
- Title: Propagate, Then Sharpen: Post-Hoc Refinement of Frozen Node Classifiers
- Title（参考訳）: Propagate, then Sharpen: 凍結ノード分類器のポストホックリファインメント
- Abstract要約: Propagate, Then Sharpen (PtS) はクラス確率の伝搬とノード単位の大量保存検証ノードを交互に行う。
PtSは、独立に調整されたAPPNPよりも、クリーンな入力に対して1.71ドル、深刻な機能腐敗の下で3.90ドルの平均テスト精度を向上することを示した。
- 参考スコア（独自算出の注目度）: 1.4401311275746886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study post-hoc refinement of frozen node classifiers: given only the graph $G$ and class distributions $Q$ predicted by a frozen model, can we improve accuracy without access to node features, model parameters, or gradients? APPNP answers this by propagating logits with a restart towards the initial predictions, minimizing the anchored Dirichlet energy. Instead, we consider the Potts energy, and decompose it into a Dirichlet term, which penalizes disagreement between neighbouring nodes, and a Gini term, which penalizes indecision within each node. This decomposition motivates Propagate, Then Sharpen (PtS), which alternates between propagation of class probabilities and node-wise, mass-preserving sharpening, with only one additional hyperparameter selected using labelled validation nodes. Across nine homophilic graphs, with a frozen MLP backbone, PtS improves mean test accuracy over independently tuned APPNP by $1.71$ percentage points on clean inputs and $3.90$ under severe Gaussian feature corruption. Gains over APPNP become smaller, but remain positive with frozen GCN and GraphSAGE backbones. Sharpening also removes most of the accuracy loss of deep propagation: on clean inputs without restart, accuracy falls by $2.2$ points between $2$ and $100$ propagation steps under PtS, compared with $33.8$ for APPNP.
- Abstract（参考訳）: グラフ$G$とクラス分布$Q$だけをフリーズモデルで予測すると、ノードの特徴やモデルパラメータ、勾配にアクセスせずに精度を向上させることができるだろうか?
APPNPはロジットを初期予測に向けて再活性化し、固定されたディリクレエネルギーを最小化することでこれに答える。
代わりにポッツエネルギーを考慮し、隣接するノード間の不一致を罰するディリクレ項と、各ノード内で不確定を罰するジーニ項に分解する。
この分解はPropagate, Then Sharpen (PtS) を動機付け、クラス確率の伝播とノード単位の大量保存シャープニングを交互に行う。
凍結したMLPバックボーンを持つ9つのホモフィリックグラフ全体で、PtSは、独立に調整されたAPPNPよりも平均テスト精度を、クリーンな入力で1.71ドル、ガウス的な特徴劣化で3.90ドル向上する。
APPNP以上のゲインは小さくなるが、凍結したGCNとGraphSAGEのバックボーンでは正である。
シャープニングはまた、深層伝播の精度の損失の大部分を除去している: 再起動せずにクリーンな入力では、APPNPの33.8ドルと対照的に、PtSの2ドルから100ドルの間で2.2ドルポイントの精度が低下する。
関連論文リスト
- Reference-Tail Trust:Certified Probability Floors for Learned Updates Inside a Deployed Network [0.0]
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。
論文 参考訳（メタデータ） (2026-09-28T11:09:29Z) - Clipped or Unclipped? Finite-Sample Trade-offs for Averaged SGD under Heavy-Tailed Noise [66.13091490213743]
グラディエントクリッピングはトレーニングを安定させるために広く用いられているが、平均的なSGDの統計的精度を改善する必要はない。
有限条件の$p$-th モーメント,$pge2$ の条件下で, クリッピングおよび非クリッピングのPolyak-Ruppert平均 SGD の比較を導出した。
我々の主な結果は、$p>2$の場合、ガウス項が未開偏差境界を独占する明確な精度と信頼条件を与える。
論文 参考訳（メタデータ） (2026-09-26T21:47:14Z) - Online Bayesian Node Classification on Inductive Graphs under Distribution Shift [4.12346015436419]
我々は,エンコーダと近似した最終層後層を共同で訓練する変分ベイズ最終層(VBLL)の目的を導入する。
オンラインGVBLLは、データセット毎に最適な精度と負のログ類似性を達成する唯一の方法である。
最強の非GVBLLベースラインよりも最大17ポイント、Ogbn-arxiv14ポイントの精度が向上する。
論文 参考訳（メタデータ） (2026-09-12T02:23:30Z) - Physics-Informed Residuals for Adaptive Mesh Refinement in Finite-Difference PDE Solvers [0.0]
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)を最終解法ではなく,適応メッシュ改良のためのオフグリッド残差プローブとして用いるハイブリッド戦略について検討する。
PINN残基はドメイン上でサンプリングされ、セルワイズインジケータに変換され、最終近似が有限差分ソルバによって計算される前に精製を誘導するために使用される。
論文 参考訳（メタデータ） (2026-06-01T16:47:21Z) - Graph Random Features for Scalable Gaussian Processes [52.89901965157282]
離散入力空間上のスケーラブルなガウス過程へのグラフランダム特徴(GRF)の適用について検討する。
我々は、(穏やかな仮定の下で) GRF に対するベイズ的推論が、正確なカーネルに対して$O(N3)$のノード数に対して$O(N3/2)$の時間複雑性を楽しむことを証明した。
論文 参考訳（メタデータ） (2025-09-03T20:13:23Z) - Crypto-Assisted Graph Degree Sequence Release under Local Differential Privacy [0.7123645379986315]
ドメイン $mathcalG$ で定義されたグラフ $G$ が与えられたとき、我々は、$mathcalG$ で次列を解放する局所的に微分プライベートなメカニズムを調査する。
本稿では、暗号技術と微分プライベート機構を組み込んだ効率的なフレームワークであるCADR-LDPについて述べる。
論文 参考訳（メタデータ） (2025-07-14T07:04:08Z) - Near-Optimal Clustering in Mixture of Markov Chains [74.3828414695655]
我々は、長さ$H$の軌跡を、大きさ$S$の有限状態空間上の未知のエルゴードマルコフ鎖の1つによって生成される、$T$ trajectories of length $H$の問題を研究する。
我々は、連鎖の遷移核間の重み付きKL分散によって支配されるクラスタリングエラー率に基づいて、インスタンス依存で高い確率の低い境界を導出する。
次に,新しい2段階クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-02T05:10:40Z) - Edge2Node: Reducing Edge Prediction to Node Classification [0.0]
我々はEdge2Nodeという予備的なアイデアを導入し、スコアリング関数を必要とせずに、各エッジへの埋め込みを直接取得することを提案した。
この考えは、エッジ予測タスクに与えられたグラフ G に基づいて新しいグラフ H を作成し、その後、G 上のエッジ予測タスクを H 上のノード分類タスクに還元することを提案している。
論文 参考訳（メタデータ） (2023-11-06T07:28:16Z) - Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。
本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。
これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z)
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。