論文の概要: Joint Precision Neural Networks: Task-Aware Dependency and Predictive Learning

• arxiv url: http://arxiv.org/abs/2610.06023v1
• Date: Mon, 05 Oct 2026 09:20:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:52:14.173208
• Title: Joint Precision Neural Networks: Task-Aware Dependency and Predictive Learning
• Title（参考訳）: 統合精度ニューラルネットワーク:タスク認識依存と予測学習
• Abstract要約: 本稿では,グラフニューラルネットワークの重み付けを交互に最適化する手法を用いて,スパースで統計的に基底付けられた精度行列を推定するフレームワークを提案する。 PNN-Jointは、高度に解釈可能なタスク対応グラフを出力し、低データのレシエーションにおいて顕著な堅牢性を示し、現実世界のタスクにおいて競合相手の最高の、または2番目のパフォーマンスを一貫して達成する。
• 参考スコア（独自算出の注目度）: 36.05842226689587
• License:
• Abstract: Exploiting meaningful latent structures from data to solve downstream tasks is a fundamental challenge in signal processing and machine learning. While Principal Component Analysis (PCA) and coVariance Neural Networks (VNNs) successfully leverage the covariance matrix to process data, they inherently capture both direct and indirect correlations. The precision matrix (inverse covariance) overcomes this by explicitly encoding conditional independencies, making it largely studied in graphical lasso and graph topology identification. However, finite-sample precision estimates are notoriously unstable, and regularized estimators remain task-agnostic. In this work, our principal contribution is tackling the challenging problem of task-aware graph inference. We propose Precision Neural Networks-Joint (PNN-Joint), a framework that jointly estimates a sparse, statistically grounded precision matrix alongside graph neural network weights via an alternating optimization scheme. As a foundational framework to support this, we introduce Precision Neural Networks (PNNs), a broader class of graph convolutional networks operating on precision estimators, and establish their spectral connections to PCA and VNNs alongside their stability to finite-sample errors. Extensive empirical evaluations on synthetic data, as well as real-world neuroimaging and motion sensor datasets, demonstrate that PNN-Joint yields highly interpretable task-aware graphs, exhibits remarkable robustness in low-data regimes, and consistently achieves the best or second-best performance among competitors on real-world tasks.
• Abstract（参考訳）: 下流タスクを解決するためにデータから有意義な潜在構造を爆発させることは、信号処理と機械学習における根本的な課題である。 主成分分析(PCA)と共分散ニューラルネットワーク(VNN)は共分散行列を利用してデータを処理することに成功したが、それらは本質的に直接相関と間接相関を捉える。 精度行列(逆共分散)は条件の不依存を明示的に符号化することでこれを克服し、グラフィカルなラッソやグラフトポロジーの同定において主に研究される。 しかし、有限サンプル精度推定は不安定であり、正規化推定器はタスクに依存しないままである。 本研究の主な貢献は,タスク対応グラフ推論の課題に対処することである。 PNN-Jointは,グラフニューラルネットワークの重みを交互に最適化する手法を用いて,スパースで統計的に基底付けられた精度行列を共同で推定するフレームワークである。 これをサポートするための基盤となるフレームワークとして、精度推定器で動作するより広範なグラフ畳み込みネットワークであるPrecision Neural Networks (PNN)を導入し、有限サンプル誤差に対する安定性とともに、PCAおよびVNNとのスペクトル接続を確立する。 PNN-Jointが高度に解釈可能なタスク対応グラフを出力し、低データのレシエーションにおいて顕著な堅牢性を示し、現実世界のタスクにおいて競争相手の間で最高の、または第2のパフォーマンスを一貫して達成していることを示す。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Precision Neural Networks: Joint Graph And Relational Learning [36.05842226689587]
  共分散ニューラルネットワーク(VNN)は、データの共分散行列によって決定されたグラフ上で畳み込みを行う。 精度行列(逆共分散)の精度ニューラルネットワーク(PNN)について検討する。 我々は,ネットワークパラメータと精度行列を協調的に学習する最適化問題を定式化し,交互に最適化することで解決する。
  論文  参考訳（メタデータ） (2025-09-18T10:22:05Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• Probabilistically Rewired Message-Passing Neural Networks [41.554499944141654]
  メッセージパッシンググラフニューラルネットワーク(MPNN)は、グラフ構造化入力を処理する強力なツールとして登場した。 MPNNは、潜在的なノイズや欠落した情報を無視して、固定された入力グラフ構造で動作する。 確率的に再構成されたMPNN(PR-MPNN)を考案し、より有益なものを省略しながら、関連するエッジを追加することを学習する。
  論文  参考訳（メタデータ） (2023-10-03T15:43:59Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• coVariance Neural Networks [119.45320143101381]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ内の相互関係を利用して学習する効果的なフレームワークである。 我々は、サンプル共分散行列をグラフとして扱う、共分散ニューラルネットワーク(VNN)と呼ばれるGNNアーキテクチャを提案する。 VNN の性能は PCA ベースの統計手法よりも安定していることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:04:43Z)

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。