GETS：基于图神经网络集成温度缩放的校准方法
机器学习
2025-03-03 v2
摘要
图神经网络提供了强大的分类效果，但常常表现出较差的校准性能，导致过度或不足地自信。这在需要准确不确定性估计的高风险应用中尤为问题。现有的后验方法，如温度缩放，未能有效利用图结构，而当前的图神经网络校准方法常常忽视了利用多样化输入信息和模型集成联合作用的潜力。本文提出了图集成温度缩放（GETS），一种新的校准框架，将输入和模型集成策略结合到图混合专家架构中，较SOTA校准技术减少了25%的预期校准误差，覆盖10个图神经网络基准数据集。此外，GETS计算高效、可扩展，能够选择有效的输入组合以提高校准性能。其实现已通过Github提供。
引用
@article{arxiv.2410.09570,
title = {GETS: Ensemble Temperature Scaling for Calibration in Graph Neural Networks},
author = {Dingyi Zhuang and Chonghe Jiang and Yunhan Zheng and Shenhao Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:2410.09570},
year = {2025}
}
备注
ICLR 2025 Spotlight