論文の概要: Valid for Free: Homophily-Gated Conformal Prediction for Training-Free Node Classification with Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2610.08564v1
- Date: Tue, 06 Oct 2026 15:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.092168
- Title: Valid for Free: Homophily-Gated Conformal Prediction for Training-Free Node Classification with Tabular Foundation Models
- Title（参考訳）: タブラル基礎モデルを用いた学習自由ノード分類のためのホモフィリーグラフ付き等角予測
- Abstract要約: タブラル基礎モデル(TFM)は、グラフのノードをトレーニングせずに分類することができる。
このラインでの作業は、コンフォーマルカバレッジや予測セットのサイズではなく、予測性能を報告します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tabular foundation models (TFMs) can classify the nodes of a graph without training on it, by reading node and neighborhood features as table rows next to labeled context rows. Work in this line reports predictive performance, not conformal coverage or prediction-set size. To our knowledge, we give the first reliability study of the setting, with TabICL as the TFM and half of each graph as labeled context. As for any predictor fixed before calibration, a frozen in-context predictor makes split conformal prediction exactly valid in finite samples, with no training, validation fold, or tuning on the target graph. An audit across ten graphs then shows that the training-free TabICL posterior has lower expected calibration error (ECE) than GCN with temperature scaling (GCN+TS) on nine of them. Its mean ECE over the ten graphs is 0.019, about 35 percent below the 0.029 of GCN+TS. We also introduce HG-DAPS, a training-free diffusion score whose homophily gate reads only the in-context labels, so the guarantee still holds. Relative to adaptive prediction sets (APS), it reduces mean set size by 5.8 to 17.1 percent on six homophilous graphs and changes it by under 1 percent on four heterophilous ones. On two binary, class-imbalanced graphs, a pre-registered trap case shows that gating on raw rather than adjusted homophily lowers coverage among low-homophily nodes by 0.27 and 0.12. Marginal coverage stays at the nominal 0.90 and masks this drop.
- Abstract（参考訳）: タブラル基礎モデル(TFM)は、ラベル付きコンテキスト行の横にあるテーブル行としてノードと近隣の特徴を読み取ることによって、トレーニングせずにグラフのノードを分類することができる。
このラインでの作業は、コンフォーマルカバレッジや予測セットのサイズではなく、予測性能を報告します。
我々の知る限り、TabICL を TFM とし、各グラフの半数をラベル付きコンテキストとする、この設定の信頼性に関する最初の研究を行う。
キャリブレーション前に固定された任意の予測器について、凍結したインコンテキスト予測器は、有限サンプルにおいて、トレーニング、バリデーションフォールド、あるいはターゲットグラフ上のチューニングなしで、分割整合予測を正確に有効にします。
10グラフにわたる監査では、トレーニング不要のTabICL後部は、9つの温度スケーリング(GCN+TS)を持つGCNよりも、予測キャリブレーション誤差(ECE)が低いことが示されている。
平均10グラフ上のECEは0.019であり、GCN+TSの0.029よりも約35%低い。
また、HG-DAPSは、ホモフィリーゲートがテキスト内ラベルのみを読み取る訓練自由拡散スコアであり、保証は引き続き維持される。
適応予測集合(APS)とは対照的に、平均集合のサイズを6つのホモフィルグラフで5.8から17.1%削減し、4つのヘテロフィルグラフで1%以下に変化させる。
2値のクラス不均衡グラフでは、事前登録されたトラップケースでは、調整されたホモフィリーノードよりも生のガッティングの方が低ホモフィリーノードのカバレッジを0.27と0.12に低下させる。
マージナル・カバーは、名目0.90に留まり、このドロップをマスクする。
関連論文リスト
- HoTS: Homophily-Aware Temperature Scaling for Graph Neural Network Calibration [34.70117899111798]
Homophily-Aware Temperature Scaling (HoTS) は、エントロピーに基づくロジット濃度と推定局所ホモフィリーから各ノードに正の温度を割り当てる単純なポストホックキャリブレータである。
HoTSは、予測エラー(ECE)が4.79%、最高の平均ランク、最も信頼できる信頼性ランキングを選択分類で達成している。
論文 参考訳（メタデータ） (2026-09-26T09:58:12Z) - HeAD-CP: Heterophily-Aware Diffused Conformal Prediction Sets for Graph Neural Networks [0.0]
HeAD-CPは、係数がラベルのない局所ホモフィリー推定によって決定されるノードワイド拡散変種群である。
10のベンチマークでは、HeAD-CPファミリーはすべてのデータセットでプレーンAPS以下にとどまり、DAPSは6でAPSを超えている。
論文 参考訳（メタデータ） (2026-07-28T04:20:34Z) - When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice [2.1067460775364286]
グラフニューラルネットワーク(GNN)設計規則は、ベンチマークファミリにまたがって一般化される。
我々は、引用、異好性、LINKX Facebook-100、共購入、共オーサシップグラフにまたがる24のノード分類データセットに対して、アグリゲータ選択(sum, mean, max)について検討した。
以上の結果から, 設計規則が一般化するか否かは, 数値的不整合ではなく, ベンチマーク組成によって決定される可能性が示唆された。
論文 参考訳（メタデータ） (2026-06-08T23:36:14Z) - Closed-Form Node Classification with Exact Graph Unlearning [1.9694904550039807]
我々は、調整されたホモフィリーによって選択された経路付き閉形式フレームワークを提案する。
分類グラフに対しては、SGCスタイルの伝搬とリッジ回帰を用いる。
ヘテロ親和性グラフに対しては,レイヤワイド閉形式グラフ特徴分級ネットワークであるLCF-Netを導入する。
論文 参考訳（メタデータ） (2026-05-25T10:12:43Z) - The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。
観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。
さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-18T12:16:00Z) - Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。
我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。
その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2024-03-15T14:26:53Z) - 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) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
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に基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。
しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。
本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-08T02:45:47Z) - Handling Missing Data with Graph Representation Learning [62.59831675688714]
特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。
GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。
9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
論文 参考訳（メタデータ） (2020-10-30T17:59:13Z)
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。