Buchumschlag

Energy-based Epistemic Uncertainty for Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fuchsgruber, Dominik, Wollschläger, Tom, Günnemann, Stephan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uncertainty Estimation for Heterophilic Graphs Through the Lens of Information Theory
von: Fuchsgruber, Dominik, et al.
Veröffentlicht: (2025)

Uncertainty for Active Learning on Graphs
von: Fuchsgruber, Dominik, et al.
Veröffentlicht: (2024)

The Illusion of Certainty: Uncertainty Quantification for LLMs Fails under Ambiguity
von: Tomov, Tim, et al.
Veröffentlicht: (2025)

Task-Awareness Improves LLM Generations and Uncertainty
von: Tomov, Tim, et al.
Veröffentlicht: (2026)

Graph Neural Networks for Edge Signals: Orientation Equivariance and Invariance
von: Fuchsgruber, Dominik, et al.
Veröffentlicht: (2024)

Task-Aware Calibration: Provably Optimal Decoding in LLMs
von: Tomov, Tim, et al.
Veröffentlicht: (2026)

Expressivity of Graph Neural Networks Through the Lens of Adversarial Robustness
von: Campi, Francesco, et al.
Veröffentlicht: (2023)

What Expressivity Theory Misses: Message Passing Complexity for GNNs
von: Kemper, Niklas, et al.
Veröffentlicht: (2025)

Adversarial Attacks on Graph Neural Networks via Meta Learning
von: Zügner, Daniel, et al.
Veröffentlicht: (2019)

Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space
von: Ketata, Mohamed Amine, et al.
Veröffentlicht: (2024)

Localized Randomized Smoothing for Collective Robustness Certification
von: Schuchardt, Jan, et al.
Veröffentlicht: (2022)

Expressivity and Generalization: Fragment-Biases for Molecular GNNs
von: Wollschläger, Tom, et al.
Veröffentlicht: (2024)

Diffusion LLMs are Natural Adversaries for any LLM
von: Lüdke, David, et al.
Veröffentlicht: (2025)

Spatio-Spectral Graph Neural Networks
von: Geisler, Simon, et al.
Veröffentlicht: (2024)

GemNet: Universal Directional Graph Neural Networks for Molecules
von: Gasteiger, Johannes, et al.
Veröffentlicht: (2021)

Accurate and Scalable Estimation of Epistemic Uncertainty for Graph Neural Networks
von: Trivedi, Puja, et al.
Veröffentlicht: (2024)

Exact Certification of (Graph) Neural Networks Against Label Poisoning
von: Sabanayagam, Mahalakshmi, et al.
Veröffentlicht: (2024)

Attacking Large Language Models with Projected Gradient Descent
von: Geisler, Simon, et al.
Veröffentlicht: (2024)

Certifiably Robust Encoding Schemes
von: Saxena, Aman, et al.
Veröffentlicht: (2024)

Discrete Randomized Smoothing Meets Quantum Computing
von: Wollschläger, Tom, et al.
Veröffentlicht: (2024)

Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks
von: Gosch, Lukas, et al.
Veröffentlicht: (2024)

Randomized Message-Interception Smoothing: Gray-box Certificates for Graph Neural Networks
von: Scholten, Yan, et al.
Veröffentlicht: (2023)

Explainable Graph Neural Networks Under Fire
von: Li, Zhong, et al.
Veröffentlicht: (2024)

On Representing Electronic Wave Functions with Sign Equivariant Neural Networks
von: Gao, Nicholas, et al.
Veröffentlicht: (2024)

UnHiPPO: Uncertainty-aware Initialization for State Space Models
von: Lienen, Marten, et al.
Veröffentlicht: (2025)

Adversarial Alignment for LLMs Requires Simpler, Reproducible, and More Measurable Objectives
von: Schwinn, Leo, et al.
Veröffentlicht: (2025)

On the Epistemic Uncertainty of Overparametrized Neural Networks
von: Rügamer, David
Veröffentlicht: (2026)

Long-Range Graph Wavelet Networks
von: Guerranti, Filippo, et al.
Veröffentlicht: (2025)

The Epistemic Uncertainty Hole: an issue of Bayesian Neural Networks
von: Fellaji, Mohammed, et al.
Veröffentlicht: (2024)

REINFORCE Adversarial Attacks on Large Language Models: An Adaptive, Distributional, and Semantic Objective
von: Geisler, Simon, et al.
Veröffentlicht: (2025)

The Geometry of Refusal in Large Language Models: Concept Cones and Representational Independence
von: Wollschläger, Tom, et al.
Veröffentlicht: (2025)

Rethinking Aleatoric and Epistemic Uncertainty
von: Smith, Freddie Bickford, et al.
Veröffentlicht: (2024)

Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations
von: Gao, Nicholas, et al.
Veröffentlicht: (2024)

Exact Certification of Neural Networks and Partition Aggregation Ensembles against Label Poisoning
von: Mohgaonkar, Ajinkya, et al.
Veröffentlicht: (2026)

Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning
von: Scholten, Yan, et al.
Veröffentlicht: (2024)

Shaving Weights with Occam's Razor: Bayesian Sparsification for Neural Networks Using the Marginal Likelihood
von: Dhahri, Rayen, et al.
Veröffentlicht: (2024)

Discrete Bayesian Sample Inference for Graph Generation
von: Petersen, Ole, et al.
Veröffentlicht: (2025)

Provable Adversarial Robustness for Group Equivariant Tasks: Graphs, Point Clouds, Molecules, and More
von: Schuchardt, Jan, et al.
Veröffentlicht: (2023)

Epistemic Uncertainty Quantification For Pre-trained Neural Network
von: Wang, Hanjing, et al.
Veröffentlicht: (2024)

Cooperative Variance Estimation and Bayesian Neural Networks for Disentangling Aleatoric and Epistemic Uncertainties
von: Yi, Jiaxiang, et al.
Veröffentlicht: (2025)