論文の概要: Graph-Localized Coverage for Conformal Prediction on Inductive Graphs

• arxiv url: http://arxiv.org/abs/2611.04066v1
• Date: Mon, 02 Nov 2026 23:20:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:27:30.854744
• Title: Graph-Localized Coverage for Conformal Prediction on Inductive Graphs
• Title（参考訳）: インダクティブグラフの等角予測のためのグラフ局所被覆
• Abstract要約: コンフォーマル予測(CP)は、限界カバレッジを保証するが、限界カバレッジは、グラフ上で予測エラーが発生する場所を判断しない。 帰納的ノード分類とエッジ予測のためのオンラインCPフレームワークであるGLocalCPを紹介する。 GLocalCPは、グラフ局所キャリブレーション誤差を一貫して低減しつつ、ターゲット付近のカバレッジを維持している。
• 参考スコア（独自算出の注目度）: 27.90282886573793
• License:
• Abstract: Conformal prediction (CP) provides marginal coverage guarantees, but marginal coverage does not determine where prediction errors occur on a graph. Queries from different graph neighborhoods can exhibit substantially different levels of uncertainty even when aggregate coverage remains near its target. We introduce GLocalCP, an online CP framework for inductive node classification and edge prediction that combines marginal and graph-local calibration with uncertainty-adaptive prediction sets. Specifically, GLocalCP puts forth a novel uncertainty-adaptive nonconformality score that relies on the mutual information obtained from Monte-Carlo (MC) dropout based prediction. Then, it augments a global online threshold with a kernel-based local correction that propagates coverage feedback among similar graph queries. On the theoretical horizon, we establish pathwise $O(N^{-1/2})$ marginal calibration error without exchangeability or stationarity and, for the exact-kernel formulation, an explicit $O(N^{-1/2})$ graph-localized calibration guarantee. Experiments on seven node-classification and seven edge-prediction benchmarks show that similar marginal coverage can conceal substantially different local reliability. Our proposed GLocalCP maintains coverage near the target while consistently reducing graph-local calibration error. Uncertainty scaling in GLocalCP further reduces prediction-set size across all evaluated node and edge datasets while leaving marginal coverage essentially unchanged.
• Abstract（参考訳）: コンフォーマル予測(CP)は、限界カバレッジを保証するが、限界カバレッジは、グラフ上で予測エラーが発生する場所を判断しない。 異なるグラフ近傍からのクエリは、ターゲットの近くに集合カバレッジが残っている場合でも、かなり異なるレベルの不確実性を示す可能性がある。 GLocalCPは帰納的ノード分類とエッジ予測のためのオンラインCPフレームワークで、境界校正とグラフ局所校正と不確実性適応予測セットを組み合わせたものである。 具体的には、GLocalCPはモンテカルロ(MC)のドロップアウトに基づく予測から得られた相互情報に依存する、新しい不確実性適応非整合性スコアを提示する。 そして、カーネルベースのローカル修正によってグローバルなオンラインしきい値が増大し、同様のグラフクエリ間のカバレッジフィードバックが伝播する。 理論的な地平線上では、交換性や定常性のないパスワイズ$O(N^{-1/2})=境界校正誤差を確立し、正確なカーネルの定式化については、グラフ局所化校正保証を明示する$O(N^{-1/2})=グラフ局所化する。 7つのノード分類と7つのエッジ予測ベンチマークの実験は、類似の辺縁被覆が局所的な信頼性を著しく異なるものにすることを示している。 提案するGLocalCPは,グラフ局所キャリブレーション誤差を連続的に低減しつつ,対象付近のカバレッジを維持している。 GLocalCPの不確実性スケーリングは、すべての評価ノードとエッジデータセットの予測セットサイズをさらに削減し、限界カバレッジは基本的に変化しない。

関連論文リスト

• Conformal Prediction for Spatially Dependent Data via Sequential Whitening [0.0]
  分割共形予測は、保留データ(校正データ)の予測誤差を使用して、予測間隔の幅を決定する。 シミュレーションデータにおいて,本手法は,グローバルおよびローカライズド・オブ・ザ・アーティファクトの代替手段よりも狭く,より安定な間隔を生成する。 全国的なPM2.5アプリケーションでは、ネットワーク内でより狭い間隔を発生し、カバレッジ障害のリスクのある領域を特定する。
  論文  参考訳（メタデータ） (2026-10-07T14:44:21Z)
• Conformal Prediction and Conditional Coverage for Tabular Foundation Models [12.905286310477456]
  C-USIMは、高い予測密度分割共形予測の軽量な応用である。 これは我々の仮定の下で有限サンプルの限界有効性を提供する。 TabPFNとTabICLによる実験では、限界カバレッジ精度が向上し、平均条件およびグループカバレッジエラーが低減された。
  論文  参考訳（メタデータ） (2026-09-28T10:58:51Z)
• Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction [25.59471163637912]
  コンフォーマル予測は、有限サンプルで分布のない辺縁被覆を持つ任意のブラックボックス予測子を与える。 我々は、条件付き妥当性とオラクル効率を協調的に制御する実現された局所集合に対して有限サンプル保証を提供する。 スコアがピボットスコアを目標とする場合、均一な局所保証は固定スコアキャリブレーションと均一なスコア推定誤差に分解される。
  論文  参考訳（メタデータ） (2026-08-06T15:59:57Z)
• Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
  中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。 合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
  論文  参考訳（メタデータ） (2026-03-02T10:43:19Z)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Conformal Inductive Graph Neural Networks [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を真のラベルを含むことが保証された予測セットに変換する。 CPは、有効な分布のないカバレッジを保証するために、i.d.仮定の緩和である交換可能性を必要とする。 従来のCPは、新しいノードとのメッセージパッシングによって生じる(校正)スコアの暗黙的なシフトのため、誘導的な設定では適用できない。 保証が予測時間(例えば、新しいノード/エッジの到着時や後続の瞬間)とは独立に成り立つことを証明します。
  論文  参考訳（メタデータ） (2024-07-12T11:12:49Z)
• 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)

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。