PulseAugur
中
实时 07:19:54
English(EN) When does distribution shift break graph neural networks calibration?

新理论解释了分布偏移下的 GNN 校准问题

作者 PulseAugur 编辑部 · [1 个来源] ·

开发了一个新的理论框架来理解分布偏移如何影响图神经网络（GNN）的校准。该研究提供了 GNN 校准的闭式特征，确定了模型变得过于自信或过于不自信的特定条件。该分析还表明，单一的全局温度缩放策略在理论上对于同质分布偏移是最佳的，并引入了 STAC，一种新颖的无源、无标签校准方法。虽然实验表明在合成基准测试中校准有所改善，但在没有目标标签的情况下，真实世界的图数据集仍然对可靠校准构成挑战。 AI

影响 为 GNN 在真实、不断变化的数据环境中的可靠性提供了理论基础。

排序理由 详细介绍理论分析和新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新理论解释了分布偏移下的 GNN 校准问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Abderaouf Bahi ·

    When does distribution shift break graph neural networks calibration?

    arXiv:2607.10804v1 Announce Type: new Abstract: Graph neural networks (GNNs) are increasingly deployed in real-world applications where distribution shift is un-avoidable. However, how such shifts affect model calibration, defined as the agreement between predictive confidence an…

相关实体

相关话题