論文の概要: Interpretable structural temperature scaling for calibrating graph neural networks and point-cloud segmentation

• arxiv url: http://arxiv.org/abs/2611.00175v1
• Date: Fri, 30 Oct 2026 14:39:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:20:46.716302
• Title: Interpretable structural temperature scaling for calibrating graph neural networks and point-cloud segmentation
• Title（参考訳）: グラフニューラルネットワークの校正と点-クラウドセグメンテーションのための解釈可能な構造温度スケーリング
• Abstract要約: グラフ対応キャリブレータは、各ノードの温度を予測することにより、グラフニューラルネットワーク(GNN)をより信頼できるものにする。 本稿では,各ノードの温度を,その信頼度,近傍性,ラベル付きノードとの近接性といった記述子から推定する構造温度スケーリング(ISTS)を提案する。 ISTSは予測を保存し、クロスバリデーションされた正規化により、キャリブレーションデータは、モデルが温度スケーリングからどのくらい離れているかを決定することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Graph-aware calibrators make graph neural networks (GNNs) more trustworthy by predicting a temperature for each node, usually with auxiliary networks whose decisions are hard to inspect. We propose Interpretable Structural Temperature Scaling (ISTS), a twelve-parameter linear model that sets each node's temperature from named descriptors of its confidence, neighbourhood and closeness to labelled nodes, so every temperature traces back to descriptor contributions. ISTS preserves predictions, and cross-validated regularisation lets the calibration data decide how far the model departs from temperature scaling (TS). Its explanations are faithful at the level of node groups: on test nodes, ISTS softens groups that a global temperature leaves over-confident and sharpens under-confident ones (Spearman correlation 0.67 over 246 groups). On seven graphs with two backbones and eleven baselines, ISTS has the best average rank in negative log-likelihood (NLL) and Brier score and lowers NLL relative to TS by 1.8%, more than twice the gain of an identically fitted entropy-based temperature. It ranked first again on four held-out graphs under a protocol fixed in advance. From about 100 calibration nodes on, ISTS is a cheap and inspectable choice, and on point-cloud segmentation it significantly improves NLL, Brier score and the ranking of points for rejection.
• Abstract（参考訳）: グラフ対応キャリブレータは、各ノードの温度を予測することで、グラフニューラルネットワーク(GNN)をより信頼できるものにします。 本稿では,各ノードの温度を,ラベル付きノードの信頼度,近傍性,近接性などの記述子から12パラメータの線形モデルとして解釈可能な構造温度スケーリング(ISTS)を提案し,各ノードの温度は記述子への寄与に遡る。 ISTSは予測を保存し、クロスバリデーションされた正規化により、キャリブレーションデータは、モデルが温度スケーリング(TS)からどのくらい離れているかを決定することができる。 その説明はノード群のレベルに忠実である:テストノードでは、ISTSは、大域的な温度が過信心を残し、不信心心(Spearman correlation 0.67 over 246 group)を鋭くする。 2つのバックボーンと11のベースラインを持つ7つのグラフにおいて、ISTSは負の対数類似度(NLL)とブライアスコア(Brier score)において最高の平均ランクを持ち、TSに対するNLLを1.8%下げる。 前もって固定されたプロトコルの下で、4つの保持されたグラフに再びランクインした。 約100個のキャリブレーションノードから、ISTSは安価で検査可能な選択であり、ポイントクラウドセグメンテーションでは、NLL、Brierスコア、拒否のためのポイントランキングを大幅に改善する。

関連論文リスト

• Valid for Free: Homophily-Gated Conformal Prediction for Training-Free Node Classification with Tabular Foundation Models [0.0]
  タブラル基礎モデル(TFM)は、グラフのノードをトレーニングせずに分類することができる。 このラインでの作業は、コンフォーマルカバレッジや予測セットのサイズではなく、予測性能を報告します。
  論文  参考訳（メタデータ） (2026-10-06T15:44:07Z)
• HoTS: Homophily-Aware Temperature Scaling for Graph Neural Network Calibration [34.70117899111798]
  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。
  論文  参考訳（メタデータ） (2026-09-26T09:58:12Z)
• Closed-Form Node Classification with Exact Graph Unlearning [1.9694904550039807]
  我々は、調整されたホモフィリーによって選択された経路付き閉形式フレームワークを提案する。 分類グラフに対しては、SGCスタイルの伝搬とリッジ回帰を用いる。 ヘテロ親和性グラフに対しては,レイヤワイド閉形式グラフ特徴分級ネットワークであるLCF-Netを導入する。
  論文  参考訳（メタデータ） (2026-05-25T10:12:43Z)
• 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)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Cold Brew: Distilling Graph Node Representations with Incomplete or Missing Neighborhoods [69.13371028670153]
  本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。 実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-08T21:29:25Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Critical Phenomena in Complex Networks: from Scale-free to Random Networks [77.34726150561087]
  一対のノード間のリンクを制御する隠れ変数を持つ構成ネットワークモデルにおける臨界現象について検討する。 平均ノード次数、期待するエッジ数、ランダウとヘルムホルツの自由エネルギーについて、温度とノード数の関数として解析式を求める。
  論文  参考訳（メタデータ） (2020-08-05T18:57:38Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。