ISTS结构温度缩放法优化图神经网络与点云分割校准

2026年11月3日，研究人员Chenyi Huang在arXiv平台发布论文，提出了可解释结构温度缩放（ISTS）方法。ISTS是一种仅含12个参数的线性模型，通过节点置信度、邻域及距标记节点距离等描述符设定温度，确保决策过程可追溯。在涉及7个图、2种骨干网络和11个基线的实验中，ISTS平均排名最优，其负对数似然较传统温度缩放方法降低1.8%。 研究指出，ISTS在约100个校准节点以上具备高性价比，是一款廉价且可检查的选择。此外，在点云分割任务中，ISTS显著提升了NLL、Brier score及拒绝排序的表现，验证了该结构温度缩放方法在复杂图数据与点云任务校准中的有效性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。