PulseAugur
中
实时 09:51:35

新框架为图值AI预测提供不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的共形预测框架，专为图值输出设计，可在复杂的结构化输出空间中提供无分布的覆盖保证。该方法利用Z-Gromov-Wasserstein距离，特别是通过融合Gromov-Wasserstein (FGW) 实现，以一种排列不变的方式比较预测图和候选图。为了实现自适应预测集，该方法将共形分位数回归 (CQR) 扩展到一种称为分数共形分位数回归 (SCQR) 的新方法，该方法适用于图值输出。该框架的有效性已在合成数据和涉及分子识别的现实世界应用中得到证明。 AI

影响 这项研究可以提高预测分子图等复杂结构化输出的AI模型的可靠性。

排序理由 该集群包含一篇详细介绍具有不确定性量化功能的图预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架为图值AI预测提供不确定性量化

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Gabriel Melo, Thibaut de Saivre, Anna Calissano, Florence d'Alch\'e-Buc ·

    Conformal Graph Prediction with Z-Gromov-Wasserstein Distances

    arXiv:2603.02460v5 Announce Type: replace Abstract: Supervised graph prediction addresses regression problems where the outputs are structured graphs. Although several approaches exist for graph-valued prediction, principled uncertainty quantification remains limited. We propose …

相关实体

相关话题