論文の概要: Strictly proper scoring rules for node selection tasks on graphs

• arxiv url: http://arxiv.org/abs/2611.03274v1
• Date: Mon, 02 Nov 2026 15:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:20:42.95273
• Title: Strictly proper scoring rules for node selection tasks on graphs
• Title（参考訳）: グラフ上のノード選択タスクに対する厳密な適切なスコアリングルール
• Abstract要約: ノード選択タスクでは、グラフ内の1つの未知のターゲットノードを特定することが目標である。 このようなタスクに対する古典的な評価指標は統計的に不適切かグラフ構造に盲目である。 グラフ対応の厳密なスコアリングルールを2つ導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In node selection tasks, the goal is to identify a single unknown target node in a graph. We consider probabilistic supervised node selection, where the estimator outputs a probability distribution over the nodes of the graph and the ground-truth node is available for evaluation. Classical evaluation metrics for such tasks are either statistically ill-conceived or blind to the graph structure. To fill this gap, we introduce two strictly proper scoring rules that are explicitly graph-aware: the Resistance score, which is parameter-free, and the Diffusion score, which operates at an adjustable coarse-graining resolution. We show that the Diffusion score interpolates between the multi-category Brier score and a cluster-level weighted Brier score. The Resistance score generalises two classical scoring rules: the multi-category Brier score and the Ranked probability score. Applied to rooted trees, it also serves as the strictly proper version of the improper Hierarchical error distance used in hierarchical classification. In the same setting, we furthermore establish strict propriety of the Hierarchical cross-entropy family, a recently introduced separate class of hierarchy-aware scoring rules. Experiments on epidemic source detection and on ImageNet classification confirm that the proposed scores detect meaningful differences in estimation quality that classical metrics miss.
• Abstract（参考訳）: ノード選択タスクでは、グラフ内の1つの未知のターゲットノードを特定することが目標である。 確率的教師付きノード選択を考えると、推定器はグラフのノード上の確率分布を出力し、接地木ノードを評価できる。 このようなタスクに対する古典的な評価指標は統計的に不適切かグラフ構造に盲目である。 このギャップを埋めるために、パラメータフリーの抵抗スコアと、調整可能な粗粒度分解能で動作する拡散スコアという、グラフを明示的に認識する2つの厳密なスコアルールを導入する。 拡散スコアは,複数カテゴリのブライアスコアとクラスタレベルのブライアスコアとを補間することを示す。 レジスタンススコアは、2つの古典的なスコアルールを一般化する: 複数カテゴリのブライアスコアとランク付き確率スコア。 根木にも適用され、階層分類で使われる不適切な階層的誤差距離の厳密な適切なバージョンとしても機能する。 同じ設定で、最近導入された階層型アウェアスコアリングルールの別クラスである階層型クロスエントロピーファミリーの厳密な妥当性をさらに確立する。 流行源検出実験とImageNet分類実験により,提案したスコアが,古典的指標が見逃す推定品質の有意な差を検出することを確認した。

関連論文リスト

• Graph Anomaly Detection as Finite-Horizon Control: Training-Free Scoring via Empirical Bayes [39.94712386816259]
  ノードレベルのグラフ異常検出は、属性と相互作用がグラフの規則性から逸脱したノードを特定する。 本稿では,正規性をグラフ認識型一般化Ornstein-Uhlenbeck(GOU)緩和としてグラフフィルタテンプレートにモデル化する,学習自由フレームワークEB-GADを提案する。 4つの金融詐欺ネットワークであるYelpChiとAmazonのレビューグラフであるWeibo、Reddit、Facebookは21.7ポイントのマージンを持つ。
  論文  参考訳（メタデータ） (2026-09-29T19:15:12Z)
• Learning the Graph and the Embedding Together: Classifier-Independent Rewiring for Heterophilic Node Classification [4.1552656246272965]
  グラフニューラルネットワークは、連結ノードがしばしば異なるラベルを持つヘテロ親和性グラフにおいて、多くの利点を失う。 グラフとノード表現を同時に推定する親和性誘導型再配線法を提案する。 変更時にラベルを使用しない完全に教師なしの派生型は、ほとんどの改善を維持している。
  論文  参考訳（メタデータ） (2026-09-26T13:36:16Z)
• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• Node Classification With Integrated Reject Option [6.0497759658090775]
  本稿では,グラフニューラルネットワーク(GNN)におけるノード分類の新しい手法であるNCwRを提案する。 我々は,Cora,Citeseer,Pubmedの3つの標準引用ネットワークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-12-04T10:22:34Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation [6.071760028190454]
  本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。 本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。 アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
  論文  参考訳（メタデータ） (2022-05-19T08:34:34Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。