基于小波感知温度标定的图神经网络
机器学习
2025-07-09 v2 人工智能
摘要
图神经网络（GNN）在关系数据上 demonstrated 强大的预测性能；然而，其置信度估计常常与实际预测正确性不一致，这在安全关键场景中提出了显著限制。虽然已有的图感知校准方法试图缓解这一限制，但主要依赖粗糙的单跳统计（例如邻居预测置信度）或潜在节点嵌入，从而忽略了图拓扑中固有的细粒度结构异质性。在本工作中，我们提出了基于小波感知的温度标定（Wavelet-Aware Temperature Scaling, WATS），这是一种后置校准框架，根据可调的热核图小波特征为节点分配特定的温度。具体而言，WATS利用图小波的可扩展性和拓扑灵敏性来细化置信度估计，无需重新训练模型或获取邻居的logit或预测。广泛的在七个基准数据集（具有不同图结构）和两种GNN backbone上的评估表明，WATS在所有比较方法中实现了最低的预期校准误差（ECE），在ECE上比传统和图特定基线提高了最高可达42.3%，平均减少了图特定方法的校准方差17.24%。此外，WATS仍保持计算效率，能够良好地扩展到各种大小和密度的图上。代码将在发表后发布。
引用
@article{arxiv.2506.23782,
title = {WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling},
author = {Xiaoyang Li and Linwei Tao and Haohui Lu and Minjing Dong and Junbin Gao and Chang Xu},
journal= {arXiv preprint arXiv:2506.23782},
year = {2025}
}