論文の概要: Interpreting Supervised Pairwise Graph Representations: Local Evidence, Confounding, and Provable Post-hoc Correction

• arxiv url: http://arxiv.org/abs/2610.32611v1
• Date: Fri, 23 Oct 2026 13:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.528116
• Title: Interpreting Supervised Pairwise Graph Representations: Local Evidence, Confounding, and Provable Post-hoc Correction
• Title（参考訳）: Pairwise Graph Representations: Local Evidence, Confunding, Provable Post-hoc Correction
• Abstract要約: 教師付きペアワイズグラフ表現は、ペアワイズ予測関係をサンプル固有グラフに変換する。 制御されたTransformerエラー検出タスクでは、教師付きペアワイズグラフは、アテンション・アズ・アジャシエンスより優れている。
• 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: Supervised pairwise graph representations convert pairwise predictive relations into sample-specific graphs, but graph-level accuracy does not by itself show that higher-order topology carries the signal. In a controlled Transformer error-detection task, supervised pairwise graphs outperform attention-as-adjacency (ROC-AUC $0.839$ versus $0.559$; the comparable no-confidence pair is $0.687$ versus $0.559$), but their apparent advantage over model confidence disappears after controlling for sequence length, which is almost perfectly recoverable from the pooled hidden state ($R^2=0.9995$). On published HCP Emotion ensemble graphs, signed node aggregation already acts as an ensemble of supervised pairwise predictions. Edge magnitude alone is near chance; topology-aware augmentations change ROC-AUC by at most $0.004$, with only sign-separated degree showing small positive changes across all tested graph sizes, while a validation-tuned three-layer GCN provides no measurable improvement over the signed node-summary baseline. A Fisher post-hoc corrector satisfies its distribution-agnostic guarantees across the evaluated feature representations and remains stable under reduced labelled budgets; in a near-error-free fMRI calibration regime the bound correctly becomes statistically uninformative. A separate cross-attention analysis identifies a redundant reversal circuit and downstream EOS-timing and copy failures. Higher-order topology should therefore be credited only after local supervised evidence and recoverable nuisance variables have been excluded.
• Abstract（参考訳）: 教師付きペアワイズグラフ表現は、ペアワイズ予測関係をサンプル固有グラフに変換するが、グラフレベルの精度はそれ自体、高階トポロジーが信号を運ぶことを示すものではない。 制御されたトランスフォーマーエラー検出タスクでは、教師付きペアワイズグラフは、アテンション・アズ・アジャシエンス(ROC-AUC $0.839$対0.559$; 同等の非信頼ペアは、0.687$対0.559$)よりも優れているが、その明らかな優位性は、シーケンス長の制御後に消え、プールされた隠された状態(R^2=0.9995$)からほぼ完全に回復可能である。 公表されたHCP感情アンサンブルグラフでは、署名ノードアグリゲーションは、既に教師付きペアワイズ予測のアンサンブルとして機能している。 トポロジを意識した拡張は、少なくとも0.004$でROC-AUCに変化し、全てのテストされたグラフサイズに対して小さな正の変化を示す符号分離度のみを示す一方、検証チューニングされた3層GCNは、署名されたノードのサミナリーベースラインに対して測定可能な改善を提供しない。 フィッシャーポストホック補正器は、評価された特徴表現の分布に依存しない保証を満足し、ラベル付き予算の削減の下で安定であり、ほぼエラーのないfMRIキャリブレーション方式では、境界が統計的に非形式的になる。 別途のクロスアテンション解析では、冗長なリバーサル回路と、下流のEOS-timingとコピー障害を識別する。 したがって、高次トポロジーは、局所的な監督された証拠と回復可能なニュアンス変数が除外された後にのみ、認定されるべきである。

関連論文リスト

• Auditing Bayesian Graph Alignment: Diagnostic Comparisons and Reference Failure [0.0]
  3つのサンプルとスコア,限界,指標,カテゴリー,分類器に基づく診断を比較した。 また, 誤差が967に近づいたにもかかわらず, ほぼゼロに一致しない共通開始鎖も示している。 これらの結果は、有限予算の限界、診断ランク、基準合意を精度の証拠として識別しながら、割当感性監査を支援する。
  論文  参考訳（メタデータ） (2026-09-19T22:19:09Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Relational Over-Regularization: Graph-Based AI-Generated Text Detection via Sentence Transition Deviation [4.4331439696271415]
  CrossSource Stylometric Fingerprint (CSFG) はグラフベースのフレームワークで、位置、シーケンシャル、セマンティック、遷移の偏差信号を学習可能なGNNエッジとして符号化する。 CSFGは2値検出で97.14%の精度を達成し、11.14ppsで最強のグラフベースのベースラインを上回った。
  論文  参考訳（メタデータ） (2026-08-27T06:51:40Z)
• Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
  動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。 検出器は凍結されているため、検出性能は正確に保存される。 X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
  論文  参考訳（メタデータ） (2026-08-12T15:58:27Z)
• When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
  本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。 この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
  論文  参考訳（メタデータ） (2026-06-05T05:20:32Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
  マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。 我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
  論文  参考訳（メタデータ） (2026-01-24T05:32:50Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)

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。