本サーベイでは、グラフ学習における不確実性の源泉を説明し、その不確実性を表現し、処理する最新の手法を整理する。
まず、第3章では、グラフ学習モデルにおける不確実性の源泉を、アレアトリック不確実性とエピステミック不確実性に分類して説明する。アレアトリック不確実性は、データ生成プロセスに内在する無作為性に由来し、一方でエピステミック不確実性は、モデル選択やトレーニングの不足に起因する。
次に、第4章では、Bayesian手法を中心とした不確実性の表現手法を紹介する。直接推論アプローチでは、ベイズの定理を用いて事後確率分布を推定することで不確実性を表現する。一方、ベイジアン表現学習アプローチでは、変分自己符号化器やベイジアンニューラルネットワークを用いて、潜在表現自体に不確実性をモデル化する。
第5章では、不確実性を処理する手法を解説する。具体的には、分布頑健最適化、アウトオブディストリビューション検出、コンフォーマル予測、キャリブレーションなどの手法を紹介する。これらの手法は、不確実性を考慮しつつ、モデルの頑健性や信頼性を高めることを目的としている。
最後に第6章では、不確実性の評価指標について議論する。不確実性の定量化には、エントロピーや確率密度関数の分散などの指標が用いられる。これらの指標を用いることで、モデルの不確実性を定量的に評価し、改善につなげることができる。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Chao Chen,Ch... at arxiv.org 04-24-2024
https://arxiv.org/pdf/2404.14642.pdfDeeper Inquiries