Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling

Created by
  • Haebom

作者

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

概要

本論文は、グラフニューラルネットワーク(GNN)の信頼度推定が実際の予測精度と一致しない問題を解決するために、波長ベースの温度調整(WATS)と呼ばれる新しいポスト補正フレームワークを提案します。 WATSは、グラフウェーブレット機能を使用してノード固有の温度を割り当てることによって信頼性推定を改善します。従来の方法とは異なり、近隣ノードの情報やモデルの再訓練なしで効率的に信頼性を補正し、さまざまなグラフ構造やGNNバックボーンの実験結果、従来の方法より最大42.3%向上したECE(Expected Calibration Error)と17.24%減少した平均補正分散を達成しました。

Takeaways、Limitations

Takeaways:
GNNsの信頼度推定問題を効果的に解決する新しい事後補正法(WATS)を提示
グラフウェーブレットのスケーラビリティと位相感度を活用してノードごとの信頼度を精巧に補正。
モデルの再訓練や近隣情報へのアクセスなしで優れた性能を達成。
様々なグラフサイズと密度で効率的な計算性能を維持
Limitations:
提案された方法の一般性に関する追加の検証が必要です。特定のタイプのグラフ構造に過度に依存するかどうかを評価する必要性
他の事後補正方法との比較分析をさらに拡張する必要がある。 (例:異なる種類のキャリブレーションメトリックを利用した比較)
実際の安全重要システムに適用したときの性能と安定性の追加評価が必要です。
👍