論文の概要: HoTS: Homophily-Aware Temperature Scaling for Graph Neural Network Calibration

• arxiv url: http://arxiv.org/abs/2609.32426v1
• Date: Sat, 26 Sep 2026 09:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:17:10.311527
• Title: HoTS: Homophily-Aware Temperature Scaling for Graph Neural Network Calibration
• Title（参考訳）: HoTS: グラフニューラルネットワークキャリブレーションのためのホモフィックな温度スケーリング
• Abstract要約: Homophily-Aware Temperature Scaling (HoTS) は、エントロピーに基づくロジット濃度と推定局所ホモフィリーから各ノードに正の温度を割り当てる単純なポストホックキャリブレータである。 HoTSは、予測エラー(ECE)が4.79%、最高の平均ランク、最も信頼できる信頼性ランキングを選択分類で達成している。
• 参考スコア（独自算出の注目度）: 34.70117899111798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For graph node classification, calibrated class probabilities are needed when confidence scores, usually the maximum predicted class probability, are used to rank predictions, defer uncertain nodes to human review, or control risk. Existing post-hoc calibrators either apply one global temperature or use graph-aware modules without a principled structural form. We study how local graph structure should enter node-level calibration. Our first results show that a logit-only temperature rule is insufficient when nodes with identical logits but different local homophily require different optimal temperatures. We then analyze a population-concentration contextual stochastic block model with Gaussian features and a one-layer linear GCN. Under equidistant class means, the Bayes posterior over class-template scores is a temperature-scaled softmax whose inverse-temperature is governed by a homophily-dependent signal strength. In the positive-signal homophilic regime, the resulting temperature decreases approximately inversely with normalized local homophily. This law motivates Homophily-aware Temperature Scaling (HoTS), a simple post-hoc calibrator that assigns each node a positive scalar temperature from entropy-based logit concentration and estimated local homophily. HoTS has three temperature parameters, preserves the predicted class, and learns the strength of the structural correction from calibration data. Across 18 node-classification benchmarks, two GNN backbones, and eight calibration baselines, HoTS achieves the best mean Expected Calibration Error (ECE) of 4.79%, the best average rank, and the most reliable confidence ranking in selective classification. Code is available at https://github.com/inu0104/HoTS.
• Abstract（参考訳）: グラフノード分類では、信頼度スコア(通常は最大予測クラス確率)が予測をランク付けしたり、不確実なノードを人間のレビューに延期したり、リスクをコントロールしたりする際に、校正されたクラス確率が必要である。 既存のポストホックキャリブレータは1つの大域温度を適用するか、原則化された構造形式を使わずにグラフ対応モジュールを使用する。 局所グラフ構造がノードレベルのキャリブレーションにどのように入るかを検討する。 最初の結果から、ロジットのみの温度規則は、同一のロジットを持つノードと異なる局所的ホモフィリーを持つノードが異なる最適温度を必要とする場合に不十分であることが示された。 次に,ガウス的特徴と一層線形GCNを用いた集団集中型確率ブロックモデルの解析を行った。 等温級平均の下では、ベイズの後部は温度スケールのソフトマックスであり、逆温度はホモフィズ依存の信号強度によって制御される。 正-負のホモフィル状態では、結果の温度は正規化された局所ホモフィリーとほぼ逆向きに減少する。 この法則は、各ノードにエントロピーベースのロジット濃度から正のスカラー温度を割り当て、局所的ホモフィリーを推定する単純なポストホックキャリブレータであるホモフィリー認識温度スケーリング(HoTS)を動機付けている。 HoTSは3つの温度パラメータを持ち、予測クラスを保持し、校正データから構造補正の強度を学習する。 18のノード分類ベンチマーク、2つのGNNバックボーン、8つのキャリブレーションベースラインにまたがって、HoTSは最高の平均校正誤差(ECE)を4.79%、最高の平均ランクと最も信頼できる信頼性ランキングで達成している。 コードはhttps://github.com/inu0104/HoTS.comで入手できる。

関連論文リスト

• Online Bayesian Node Classification on Inductive Graphs under Distribution Shift [4.12346015436419]
  我々は,エンコーダと近似した最終層後層を共同で訓練する変分ベイズ最終層(VBLL)の目的を導入する。 オンラインGVBLLは、データセット毎に最適な精度と負のログ類似性を達成する唯一の方法である。 最強の非GVBLLベースラインよりも最大17ポイント、Ogbn-arxiv14ポイントの精度が向上する。
  論文  参考訳（メタデータ） (2026-09-12T02:23:30Z)
• SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
  メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。 メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。 4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
  論文  参考訳（メタデータ） (2026-08-29T21:34:47Z)
• 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)
• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)

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。