論文の概要: Structure-Aware Graph Abstention for Reliable Selective Forecasting

• arxiv url: http://arxiv.org/abs/2610.08322v1
• Date: Tue, 06 Oct 2026 13:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.006102
• Title: Structure-Aware Graph Abstention for Reliable Selective Forecasting
• Title（参考訳）: 信頼度の高い選択予測のための構造対応グラフアテンション
• Abstract要約: 構造ゲーティングを用いて選択的なMSEとTEMを一致した範囲で削減する。 我々のベンチマークでは、クロス変数構造がより意味のあるように見える最大の利得は普遍的ではなく、補完的な棄権信号を示している。
• 参考スコア（独自算出の注目度）: 0.838951778235462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selective forecasting abstains on high-risk test windows under a retained-coverage budget. Existing gates such as TEM (Brusokas et al., 2025) score each forecast as a whole; for multivariate outputs, trajectories can look plausible while violating dependencies among variables. We treat instance-level plausibility and relational consistency as distinct reliability axes and operationalize the latter via a learned sparse graph and a Dirichlet-style structural energy E_struct, trained with error-weighted graph regularization and score-error alignment. On seven long-horizon benchmarks and four backbones, structural gating often reduces selective MSE versus TEM at matched coverage, with the largest gains where cross-variable structure appears more informative in our benchmarks; gains are not universal, indicating a complementary abstention signal. Table 1 is a Protocol A ranking diagnostic (seed 2024); three-seed deployable Protocol B on an aligned subset is in Table 3 (full validation-to-test grids: Appendix A).
• Abstract（参考訳）: 高リスクテストウィンドウ上で、カバーの維持予算の下で、選択的なアプテンス予測を行う。 TEM(Brusokas et al , 2025)のような既存のゲートは、各予測を総合的にスコアする。 本稿では, 学習されたスパースグラフとディリクレ型構造エネルギーE_structを用いて, 誤り重み付きグラフ正規化とスコア・エラーアライメントを訓練し, インスタンスレベルの妥当性と関係性の整合性を異なる信頼性軸として扱い, 後者を運用する。 7つのロングホライゾンベンチマークと4つのバックボーンにおいて、構造ゲーティングは、一致したカバレッジにおいて選択的なMSEとTEMを減少させることが多く、我々のベンチマークでは、クロス変数構造がより有益に見える最大のゲインである。 表1はプロトコルAの分類診断(2024年)であり、アライメントされたサブセット上の3列のデプロイ可能なプロトコルBはテーブル3(完全な検証とテストのグリッド:Appendix A)にある。

関連論文リスト

• A Unified Uncertainty Representation for Graph Neural Networks via Doubly-Spectral Stochastic Expansion [39.94712386816259]
  未知ノード埋め込みをランダムグラフ信号としてモデル化する。 二重スペクトル展開は、1つの表現からの読み出しを提供する。 キャパシティ定理は、フルランクな特徴仮定の下で、制限されたサブカテゴリが任意のランダムグラフ信号のカオス係数と一致することを示す。
  論文  参考訳（メタデータ） (2026-09-28T17:42:52Z)
• Learning Auditable Classifier Models: Source-Disjoint Tree Ensembles [0.0]
  臨床および規制された設定における予測モデルは正確で、完全に監査可能である必要がある。 本稿では,3段階学習手法であるResidual Pattern Tree Ensemble(RPTE)を紹介する。 RPTEは、有界特徴予算(bounded feature budget)、ソースの不整合(source disjointness)、別個の係数推定という3つの重要な原則に基づいている。
  論文  参考訳（メタデータ） (2026-08-16T12:56:49Z)
• Alignment-Guided Largest Table Overlap Size Estimation [11.275866569459502]
  テーブル間の最大のオーバーラップサイズを高速に推定することで、大きなテーブルリポジトリにおけるブロッキングとクエリ・バイ・テーブル検索が可能になる。 ALOREは3つの原理に基づいて構築された,スケーラブルでドメイン・ロバストなオーバーラップ比推定器である。 さまざまなドメインとスケールにまたがる複数のデータセットの実験は、以前のベンチマーク以上の大規模な実世界のコーパスを含む、ALOREが芸術の状態を上回ることを示している。
  論文  参考訳（メタデータ） (2026-07-03T07:38:43Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Representation Geometry as a Diagnostic for Out-of-Distribution Robustness [0.5978543974412219]
  In-distribution Embeddingsからクラス条件の相互k-nearest-neighborグラフを構成する幾何学的診断フレームワークを提案する。 スペクトルの複雑さが低く、平均曲率が高くなると、チェックポイント全体にわたって強い分布外(OOD)の精度が常に予測される。 この結果から,表現幾何学はラベル無しで解釈可能な診断を可能にし,教師なしチェックポイント選択の信頼性をサポートできることが示唆された。
  論文  参考訳（メタデータ） (2026-02-03T19:13:36Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。