論文の概要: Adaptive Uncertainty Quantification on Simplicial Complexes with Conformalized Simplicial Neural Networks

• arxiv url: http://arxiv.org/abs/2610.41166v1
• Date: Fri, 30 Oct 2026 02:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.594019
• Title: Adaptive Uncertainty Quantification on Simplicial Complexes with Conformalized Simplicial Neural Networks
• Title（参考訳）: 共形化された単純ニューラルネットワークを用いた単純コンプレックスの適応的不確かさ量子化
• Abstract要約: SNN(Simplicial Neural Network)は、高次リレーショナルデータセット上のタスクを予測するための強力なツールである。 我々は,すべてのmターゲットに対する予測セットを同時に生成するフレームワークを提案する。 CF-SNNは、小さなサイズの情報予測セットを生成しながら、ユーザ指定のカバレッジを実現する柔軟なUQフレームワークである。
• 参考スコア（独自算出の注目度）: 24.004277744667963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simplicial neural networks (SNNs) are powerful tools for prediction tasks on higher-order relational datasets stored on simplicial complexes (SCs), a higher-order generalization of graphs. However, SNNs usually lack rigorous uncertainty quantification (UQ), limiting their usefulness in high-stakes scenarios. We propose conformalized SNN (CF-SNN), a framework that, given a simplicial-complex entity with m prediction targets, generates prediction sets for all m targets simultaneously. Under mild assumptions, CF-SNN guarantees that, for each target, the prediction set contains the true label with a user-specified nominal coverage probability, and the realized miscoverage proportion across all m targets is guaranteed to remain close to the nominal level with high probability. Extensive experiments across a wide range of SC prediction tasks demonstrate that CF-SNN is a flexible UQ framework that achieves user-specified coverage while producing informative prediction sets of small size.
• Abstract（参考訳）: SNN(Simplicial Neural Network)は、グラフの高階一般化であるsimplicial Complex (SC)に格納された高階関係データセットのタスクを予測する強力なツールである。 しかしながら、SNNは通常、厳密な不確実性定量化(UQ)を欠いており、高い評価シナリオにおける有用性を制限している。 我々は,m の予測対象を持つ単純な複雑なエンティティを与えられたフレームワークである共形 SNN (CF-SNN) を提案し,同時にすべての m の予測セットを生成する。 CF-SNNは、軽微な仮定の下で、各ターゲットに対して、その予測セットが、ユーザが指定した名目カバレッジ確率の真のラベルを含むことを保証し、すべてのmターゲットに対して実現された誤発見比率が、高い確率で名目レベルに近づき続けることを保証している。 幅広いSC予測タスクにわたる広範囲な実験により、CF-SNNは、小さなサイズの情報予測セットを生成しながら、ユーザ指定のカバレッジを実現する柔軟なUQフレームワークであることが示された。

関連論文リスト

• S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
  スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。 最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。 1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:17:44Z)
• Enhancing Trustworthiness of Graph Neural Networks with Rank-Based Conformal Training [17.120502204791407]
  等角予測は統計的に保証された不確実性推定を生成することができる。 本稿では,GNN(RCP-GNN)のトレーニングフレームワークにおけるランクベースのCPを提案し,信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2025-01-06T05:19:24Z)
• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  本稿では,PE-GNNと量子ニューラルネットワーク,部分的に単調なニューラルブロック,ポストホックリカレーション技術を組み合わせた新しいフレームワークを提案する。 PE-GQNNは、ターゲット分布に関する最小の仮定で柔軟で堅牢な条件密度推定を可能にし、空間データを超えたタスクに自然に拡張する。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
  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の結果を予測する強力なツールとして登場した。 この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。 我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。 我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
  論文  参考訳（メタデータ） (2024-08-25T12:51:19Z)
• Random-Set Neural Networks (RS-NN) [4.549947259731147]
  本稿では,新しいランダムセットニューラルネットワーク(RS-NN)による分類手法を提案する。 RS-NNは、不十分に代表される訓練セットによって引き起こされる「緊急」不確実性を符号化する。 提案手法は,精度,不確実性推定,アウト・オブ・ディストリビューション(OoD)検出において,最先端のベイズ法およびアンサンブル法より優れる。
  論文  参考訳（メタデータ） (2023-07-11T20:00:35Z)
• 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)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)

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。