論文の概要: When does distribution shift break graph neural networks calibration?
- arxiv url: http://arxiv.org/abs/2607.10804v1
- Date: Sun, 12 Jul 2026 15:23:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.545206
- Title: When does distribution shift break graph neural networks calibration?
- Title（参考訳）: 分散シフトはいつグラフニューラルネットワークのキャリブレーションを破るのか?
- Abstract要約: グラフニューラルネットワーク(GNN)は、分散シフトが避けられない現実世界のアプリケーションにますます多くデプロイされている。
GNNキャリブレーションの分布シフトにおける最初の閉形式理論的特徴について述べる。
ソースフリーなラベルフリーキャリブレーション手法STACを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) are increasingly deployed in real-world applications where distribution shift is un-avoidable. However, how such shifts affect model calibration, defined as the agreement between predictive confidence and actual accuracy, remains poorly understood, and existing graph calibration methods typically rely on labeled validation data from the deployment distribution. In this work, I present the first closed-form theoretical characterization of GNN calibration under distribution shift. I show that calibration is governed by a single scalar quantity that explicitly depends on structural changes between the source and target graphs, as well as feature quality. This characterization precisely identifies when a model becomes over-confident, under-confident, or remains calibrated, and directly yields the optimal temperature scaling strategy. I further extend the analysis to graph convolutional networks with symmetric normalization, multi-class classification, and covariate shift, and derive a theoretical upper bound on the expected calibration error. My analysis also reveals that, under homogeneous distribution shift, a single global temperature is theoretically optimal, providing a principled explanation for why more complex node-wise recalibration methods offer no additional benefit. Building on these theoretical insights, I propose STAC, a source-free, label-free calibration method. Experiments on synthetic benchmarks demonstrate substantial calibration improvements, while evaluations on five real-world graph datasets show that reliable calibration without target labels remains challenging despite the strong predictive power of the theory.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分散シフトが避けられない現実世界のアプリケーションにますます多くデプロイされている。
しかし、そのような変化がモデルキャリブレーションにどのように影響するかは、予測信頼度と実際の精度の一致として定義されているが、まだ理解されておらず、既存のグラフキャリブレーション手法は、通常、配置分布からラベル付きバリデーションデータに依存する。
本稿では,GNNキャリブレーションの分布シフトにおける最初の閉形式理論的特徴について述べる。
キャリブレーションは、ソースグラフとターゲットグラフの間の構造変化と特徴品質に明確に依存する単一のスカラー量で管理されていることを示す。
このキャラクタリゼーションは、モデルが過信、過信、過信、あるいは校正されたままになったときを正確に識別し、最適な温度スケーリング戦略を直接生成する。
さらに、対称正規化、多クラス分類、共変量シフトを伴うグラフ畳み込みネットワークに解析を拡張し、期待されるキャリブレーション誤差の理論的上限を導出する。
私の分析は、均質な分布シフトの下では、単一の大域温度が理論的に最適であることを明らかにし、なぜより複雑なノード分割法が追加の利益をもたらすのかを原則的に説明する。
これらの理論的知見に基づいて、ソースフリーなラベルフリーキャリブレーション法STACを提案する。
5つの実世界のグラフデータセットによる評価は、理論の強い予測力にもかかわらず、ターゲットラベルなしでの信頼性の高いキャリブレーションは困難であることを示している。
関連論文リスト
- The Confidence Trap: Calibration Attacks for Graph Neural Networks [30.116997325760945]
グラフ上の校正攻撃を研究するためのフレームワークを提案する。
より精度の高いモデルや、より多くのクラスを持つデータセットで訓練されたモデルは、この脅威モデルの下ではより影響を受けやすいことを示す。
私たちのコードはhttps://github.com/CaptainCuong/Graph-Calibration-Attack.gitで公開されています。
論文 参考訳（メタデータ） (2026-06-07T06:16:58Z) - WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
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。
論文 参考訳（メタデータ） (2025-06-30T12:23:57Z) - The Final Layer Holds the Key: A Unified and Efficient GNN Calibration Framework [31.107286245419044]
グラフニューラルネットワーク(GNN)は、グラフベースのタスクにおいて顕著な効果を示した。
しかしながら、彼らの予測的自信は、しばしば誤解され、通常、自信不足を示す。
本稿では,この問題に対処するための簡易かつ効率的なグラフキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2025-05-16T15:02:17Z) - Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳（メタデータ） (2024-02-18T07:49:22Z) - 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) - The Calibration Generalization Gap [15.583540869583484]
現代のニューラルネットワークはキャリブレーションに強い保証を与えない。
現在、どの要因が良好な校正に寄与するかは定かではない。
校正誤差を研究するための体系的な手法を提案する。
論文 参考訳（メタデータ） (2022-10-05T00:04:56Z) - 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) - On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。
正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。
ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
論文 参考訳（メタデータ） (2021-06-17T11:04:14Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Post-hoc Calibration of Neural Networks by g-Layers [51.42640515410253]
近年、ニューラルネットワークの校正に関する研究が急増している。
負ログライクリーフ(NLL)の最小化は、グローバルな最適化が達成されれば、トレーニングセット上の校正ネットワークにつながることが知られている。
基本ネットワーク (f$) が NLL のグローバルな最適化に繋がらず,追加レイヤ (g$) を追加し,パラメータを$g$ 1 に最適化することで NLL を最小化することで,キャリブレーションネットワークが得られることを示す。
論文 参考訳（メタデータ） (2020-06-23T07:55:10Z)
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。