論文の概要: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling

• arxiv url: http://arxiv.org/abs/2506.23782v1
• Date: Mon, 30 Jun 2025 12:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.048803
• Title: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling
• Title（参考訳）: ウェーブレット対応温度スケーリングによるグラフニューラルネットワークの校正
• Authors: Xiaoyang Li, Linwei Tao, Haohui Lu, Minjing Dong, Junbin Gao, Chang Xu,
• Abstract要約: グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
• 参考スコア（独自算出の注目度）: 43.23012871829196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have demonstrated strong predictive performance on relational data; however, their confidence estimates often misalign with actual predictive correctness, posing significant limitations for deployment in safety-critical settings. While existing graph-aware calibration methods seek to mitigate this limitation, they primarily depend on coarse one-hop statistics, such as neighbor-predicted confidence, or latent node embeddings, thereby neglecting the fine-grained structural heterogeneity inherent in graph topology. In this work, we propose Wavelet-Aware Temperature Scaling (WATS), a post-hoc calibration framework that assigns node-specific temperatures based on tunable heat-kernel graph wavelet features. Specifically, WATS harnesses the scalability and topology sensitivity of graph wavelets to refine confidence estimates, all without necessitating model retraining or access to neighboring logits or predictions. Extensive evaluations across seven benchmark datasets with varying graph structures and two GNN backbones demonstrate that WATS achieves the lowest Expected Calibration Error (ECE) among all compared methods, outperforming both classical and graph-specific baselines by up to 42.3\% in ECE and reducing calibration variance by 17.24\% on average compared with graph-specific methods. Moreover, WATS remains computationally efficient, scaling well across graphs of diverse sizes and densities. Code will be released based on publication.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リレーショナルデータに対して強力な予測性能を示しているが、その信頼性評価は、実際の予測精度と誤認されることが多く、安全クリティカルな設定でのデプロイメントに重大な制限を課している。 既存のグラフ対応キャリブレーション法は、この制限を緩和しようとするが、それらは主に、近隣の予測された信頼や潜伏ノードの埋め込みのような粗いワンホップ統計に依存するため、グラフトポロジーに固有の微細な構造的不均一性を無視する。 本研究では,熱カーネルグラフウェーブレットの特徴に基づいてノード固有の温度を割り当てる,ポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 具体的には、WATSはグラフウェーブレットのスケーラビリティとトポロジーの感度を利用して、モデルの再トレーニングや近隣のロジットや予測へのアクセスを必要とせずに、信頼度の推定を洗練します。 異なるグラフ構造を持つ7つのベンチマークデータセットと2つのGNNバックボーンの広範囲な評価は、WATSが比較した手法の中で最も低いキャリブレーション誤差(ECE)を達成し、古典的およびグラフ固有のベースラインを最大42.3倍に上回り、グラフ固有の手法と比較してキャリブレーションのばらつきを平均17.24倍減らすことを示した。 さらに、WATSは計算効率を保ち、様々なサイズと密度のグラフにわたってうまくスケールする。 コードは出版物に基づいてリリースされる。

関連論文リスト

• GETS: Ensemble Temperature Scaling for Calibration in Graph Neural Networks [8.505932176266368]
  グラフニューラルネットワークは強力な分類結果を提供するが、しばしばキャリブレーション性能の低下に悩まされる。 温度スケーリングのような既存のポストホック法では、グラフ構造を効果的に利用できない。 入力とモデルアンサンブル戦略を組み合わせた新しいキャリブレーションフレームワークであるグラフアンサンブル温度スケーリングを提案する。
  論文  参考訳（メタデータ） (2024-10-12T15:34:41Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• 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)
• What Makes Graph Neural Networks Miscalibrated? [48.00374886504513]
  グラフニューラルネットワーク(GNN)の校正特性に関する系統的研究を行う。 我々は,GNNのキャリブレーションに影響を与える5つの要因を同定する: 一般信頼度傾向, ノード単位の予測分布の多様性, 訓練ノード間距離, 相対信頼度, 近傍類似度。 我々は,グラフニューラルネットワークのキャリブレーションに適した新しいキャリブレーション手法であるグラフアテンション温度スケーリング(GATS)を設計する。
  論文  参考訳（メタデータ） (2022-10-12T16:41:42Z)
• On Calibration of Graph Neural Networks for Node Classification [29.738179864433445]
  グラフニューラルネットワークは、ノード分類やリンク予測といったタスクのためのエンティティとエッジの埋め込みを学ぶ。 これらのモデルは精度で優れた性能を発揮するが、予測に付随する信頼性スコアは校正されないかもしれない。 本稿では,近隣ノードを考慮に入れたトポロジ対応キャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-06-03T13:48:10Z)

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。