Research03.11.2026 · 12:001 nguồn
Tỷ lệ nhiệt cấu trúc có thể giải thích để hiệu chỉnh GNNs và phân đoạn point-cloud
Từ arxiv.org
Các calibrator nhận biết graph giúp GNNs đáng tin cậy hơn bằng cách dự đoán một temperature cho mỗi node, thường dùng các auxiliary network mà quyết định của chúng khó kiểm tra. Chúng tôi đề xuất Interpretable Structural Temperature Scaling ISTS, một linear model mười hai tham số đặt temperature của mỗi node từ các descriptor được đặt tên về độ tin cậy, lân cận và độ gần với các node được gán nhãn, để mọi temperature đều truy ngược về đóng góp của descriptor. ISTS giữ nguyên các dự đoán, và regularisation được cross-validated cho phép dữ liệu calibration quyết định mô hình lệch khỏi TS bao xa. Các giải thích của nó trung thực ở cấp độ nhóm node: trên các test node, ISTS làm mềm các nhóm mà temperature toàn cục đánh giá quá tự tin và làm sắc nét các nhóm kém tự tin hơn (Spearman tương quan 0.67 trên 246 nhóm). Trên bảy graph với hai backbone và mười một baseline, ISTS có thứ hạng trung bình tốt nhất về NLL và Brier score, đồng thời giảm NLL so với TS 1,8%, gấp hơn hai lần mức tăng của temperature dựa trên entropy được fitted tương tự.
Nguồn
Bản tin mỗi sáng
Tin quan trọng nhất trong ngày. Miễn phí, hủy bất cứ lúc nào.
Telegram @aihomnay