热点事件持续更新
研究者提出用于GNN校准的ISTS方法
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 7 小时前更新
最新进展11月3日 13:00
研究者提出用于校准GNN和点云分割的ISTS方法，在NLL和Brier分数上取得最佳平均排名。报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- 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。
本事件热度走势
当前热度 7·可比范围峰值 9（11月3日 17:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。