論文の概要: Rethinking Epistemic Uncertainty in Node Classification through Information Growth

• arxiv url: http://arxiv.org/abs/2610.03418v1
• Date: Fri, 02 Oct 2026 15:04:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.434258
• Title: Rethinking Epistemic Uncertainty in Node Classification through Information Growth
• Title（参考訳）: 情報成長によるノード分類の不確かさの再考
• Abstract要約: データ生成プロセスに関する追加情報が予測者に提供されるようになると、疫学的不確実性は減少する。 ノード分類のための既存のグラフ顕在ディープラーニング(EDL)法は、一般的にグラフ固有の性質から不確実性を構成する。 情報成長下での不確実性を研究するための統計的枠組みを導入する。
• 参考スコア（独自算出の注目度）: 12.298129164467277
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Epistemic uncertainty should decrease as additional information about the data-generating process (DGP) becomes available to the predictor. Yet, existing graph evidential deep learning (EDL) methods for node classification typically construct epistemic uncertainty from graph-specific properties and evaluate it on downstream tasks such as out-of-distribution detection, which do not test its reducibility as information about the DGP increases. To make reducibility directly testable, we introduce a statistical framework for studying epistemic uncertainty under information growth. Our framework specifies an information-growth experimental protocol and a consistency criterion for epistemic predictors, while using projective graph DGPs to ensure that growing graphs, which in general need not provide increasing information about the same DGP, constitute coherent observations of the same underlying process. We show that EDL methods do not explicitly estimate data uncertainty arising from a single finite graph observation and instead regulate epistemic uncertainty through model hyperparameters, precluding consistency, as corroborated by controlled information-growth experiments. As an alternative, we propose graph bootstrap ensembles, capturing both data and procedural uncertainty through graph resampling and randomized training. Under the same experimental protocol, these ensembles exhibit epistemic uncertainty reduction beyond standard deep ensembles. These findings support bootstrap ensembles as candidate consistent epistemic predictors under information growth.
• Abstract（参考訳）: データ生成プロセス(DGP)に関する追加情報が予測者に提供されるようになると、疫学的不確実性が低下する。 しかし、ノード分類のための既存のグラフ顕在的深層学習(EDL)法は、一般的にグラフ固有の性質から疫学的な不確実性を構築し、DGPに関する情報が増加するにつれてその再現性を検証しない分布外検出のような下流タスクで評価する。 再現性を直接的に検証できるようにするために,情報成長下でのてんかん不確実性を研究するための統計的枠組みを導入する。 本フレームワークでは,情報成長実験プロトコルと上皮性予測器の整合性基準を規定し,投影グラフDGPを用いて同じDGPに関する情報を蓄積する必要のない成長グラフが同一のプロセスのコヒーレントな観察を構成することを保証している。 本研究では,EDL法が1つの有限グラフ観測から生じるデータ不確実性を明示的に推定するものではなく,制御された情報成長実験によって裏付けられた一貫性を前提としたモデルハイパーパラメータによるてんかん不確実性を制御していることを示す。 グラフ再サンプリングとランダム化学習により,データと手続き的不確実性の両方をキャプチャするグラフブートストラップアンサンブルを提案する。 同じ実験的なプロトコルの下では、これらのアンサンブルは標準的なディープアンサンブルを超えて、疫学的な不確実性の低下を示す。 これらの知見は、情報成長下での、一貫したてんかんの予測因子としてブートストラップアンサンブルを支持する。

関連論文リスト

• Uncertainty-Aware Data-Efficient AI: An Information-Theoretic Perspective [48.073471560778984]
  ロボット工学、電気通信、医療といったコンテキスト固有のアプリケーションでは、人工知能システムは訓練データに制限があるという課題に直面していることが多い。 本稿では,2つの相補的手法を用いて,データ制限体制に対処する形式的手法について検討する。
  論文  参考訳（メタデータ） (2025-12-04T21:44:22Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。