En este artículo, proponemos un nuevo marco de postcalibración, denominado Escalamiento de Temperatura Basado en Longitud de Onda (WATS), para abordar el problema de que la estimación de la confianza de las redes neuronales de grafos (GNN) no coincide con la precisión real de la predicción. WATS mejora la estimación de la confianza asignando temperatura por nodo mediante características wavelet de grafo. A diferencia de los métodos existentes, calibra eficientemente la confianza sin información de los nodos vecinos ni reentrenamiento del modelo. Nuestros experimentos en diversas estructuras de grafos y redes GNN muestran que logra una mejora del Error de Calibración Esperado (ECE) de hasta un 42,3 % y una reducción del 17,24 % en la varianza de calibración promedio, en comparación con los métodos existentes.
