본 논문은 그래프 신경망(GNNs)의 신뢰도 추정이 실제 예측 정확도와 일치하지 않는 문제를 해결하기 위해, 파장 기반 온도 조절(WATS)이라는 새로운 사후 보정 프레임워크를 제안합니다. WATS는 그래프 웨이블릿 특징을 이용하여 노드별 온도를 할당함으로써 신뢰도 추정을 개선합니다. 기존 방법들과 달리, 이웃 노드의 정보나 모델 재훈련 없이도 효율적으로 신뢰도를 보정하며, 다양한 그래프 구조와 GNN 백본에 대한 실험 결과, 기존 방법들보다 최대 42.3% 향상된 ECE(Expected Calibration Error)와 17.24% 감소된 평균 보정 분산을 달성했습니다.
