Dans cet article, nous proposons un nouveau cadre post-étalonnage, appelé Wavelength-based Temperature Scaling (WATS), pour résoudre le problème de l'inadéquation de l'estimation de la confiance des réseaux neuronaux graphes (GNN) avec la précision réelle des prédictions. WATS améliore l'estimation de la confiance en attribuant la température par nœud à l'aide des caractéristiques des ondelettes du graphe. Contrairement aux méthodes existantes, il étalonne efficacement la confiance sans information sur les nœuds voisins ni réentraînement du modèle. Nos expériences sur diverses structures de graphe et structures GNN montrent qu'il permet d'obtenir jusqu'à 42,3 % d'amélioration de l'erreur d'étalonnage attendue (ECE) et une réduction de 17,24 % de la variance d'étalonnage moyenne par rapport aux méthodes existantes.
