Понимание и сглаживание недопонимания в GNN from the Final Sype

arXiv:2505.11335v5 Annualce Type: заменить резюме: графические нейронные сети (ГНН) продемонстрировали замечательную эффективность в решении задач на основе графиков. Однако их прогнозируемое доверие часто неправильно калибруется, обычно демонстрирует недоверие, что наносит ущерб надежности принимаемых ими решений. Существующие методы калибровки для GNN обычно предусматривают дополнительные калибровочные компоненты, которые не позволяют выявить внутреннюю связь между моделью и доверием к прогнозу, что приводит к ограниченным теоретическим гарантиям и увеличению накладных расходов по расчетам. Для решения этой проблемы мы предлагаем простой, но эффективный метод калибровки графов. Мы закладываем единую теоретическую основу, свидетельствующую о том, что доверие к модели совместно регулируется калибровкой классового уровня и уровня узла на заключительном слое. Исходя из этого понимания, мы теоретически показываем, что уменьшение разложения веса параметров окончательного слоя уменьшает степень уверенности GNN в себе за счет действия на уровне класса-центроида.