Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

WATS: Calibración de redes neuronales gráficas con escala de temperatura sensible a wavelets

Created by
  • Haebom

Autor

Xiaoyang Li, Linwei Tao, Haohui Lu, Minjing Dong, Junbin Gao, Chang Xu

Describir

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.

Takeaways, Limitations

Takeaways:
Presentamos un novedoso método de postcalibración (WATS) que resuelve eficazmente el problema de estimación de confiabilidad de las GNN.
Compensación sofisticada de confiabilidad nodo por nodo aprovechando la escalabilidad y la sensibilidad de fase de las wavelets del gráfico.
Consiga un rendimiento excelente sin tener que volver a entrenar el modelo ni acceder a la información de los vecinos.
Mantenga un rendimiento computacional eficiente en una amplia gama de tamaños y densidades de gráficos.
Limitations:
Es necesaria una mayor validación de la generalidad del método propuesto y una evaluación para determinar si depende demasiado de ciertos tipos de estructuras gráficas.
Es necesario ampliar aún más el análisis comparativo con otros métodos de poscalibración (por ejemplo, la comparación utilizando diferentes tipos de métricas de calibración).
Se requiere una evaluación más profunda del rendimiento y la estabilidad cuando se aplican a sistemas reales críticos para la seguridad.
👍