Core Concepts
Graph neural networks (GNNs) are often miscalibrated for link prediction tasks, exhibiting a mixed behavior of overconfidence in negative predictions and underconfidence in positive ones. The proposed method, IN-N-OUT, effectively calibrates GNNs for link prediction tasks.
Abstract
グラフニューラルネットワーク(GNN)はリンク予測タスクにおいてしばしば誤ってキャリブレーションされ、負の予測では過信し、正の予測では自信不足を示す。提案されたIN-N-OUTメソッドは、リンク予測タスクのためにGNNを効果的にキャリブレートする。
IN-N-OUTは、エッジ埋め込みを比較してリンクの存在を推定し、エッジ埋め込みが大きく異なる場合に自信度を下げることで、GNNをキャリブレートする新しい方法です。この手法は、従来のキャリブレーション手法よりも優れたパフォーマンスを発揮します。
Stats
GNNがリンク予測タスクでしばしば誤ってキャリブレーションされることが示されました。
IN-N-OUTは29/35の実験で他の基準線よりも優れた結果を示しました。
IN-N-OUTはECEにおいて最善の結果を出しました。
Quotes
"IN-N-OUT significantly improves the calibration of GNNs in link prediction."
"We propose an elegant yet effective temperature-scaling approach for GNNs, called IN-N-OUT."
"Our method outperforms the baselines in 29/35 experiments — often by a considerable margin."