研究者提出用于GNN校准的ISTS方法
Start here
2026年11月，研究者在arXiv发表论文，提出用于校准图神经网络（GNN）的可解释结构温度缩放（ISTS）方法。该方法采用一个12参数线性模型，依据节点置信度和邻域等特征为各节点设定专属温度。在7个图数据集及与11种基准方法的对比实验中，ISTS在负对数似然（NLL）和Brier分数指标上均获得最佳平均排名，相较于传统温度缩放方法降低了1.8%的NLL。此外，该方法在点云分割任务中同样显著改善了NLL和Brier分数。
AI-generated from reports · Updated 20 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习用于校准图神经网络与点云分割的可解释结构温度缩放（ISTS）
研究者提出用于校准图神经网络的可解释结构温度缩放（ISTS），通过 12 参数线性模型依据节点置信度和邻域等特征设定专属温度。在 7 个图数据集与 11 种基准对比中，ISTS 在负对数似然（NLL）和 Brier 分数上获最佳平均排名，相对温度缩放降低 1.8% NLL。该方法在点云分割任务中同样显著改善了 NLL 和 Brier 分数。
Story heat trend
Current heat 5·Comparable peak 9（Nov 3 17:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.