GCL

A pesar del gran éxito de las Redes Neuronales Graph (GNNs), la confianza sigue estando poco explorada. Un estudio muy reciente sugiere que las GNNs son subconfianzadas en sus predicciones, lo que es opuesto a las redes neuronales profundas. En este documento, investigamos por qué es así. Descubrimos que la red "superficial" de las GNNs es la causa central. Para abordar este desafío, proponemos una novedosa Pérdida de Calibración de Gráficos (GCL), el primer método de calibración de extremo a extremo para las GNNs, que remodela la pérdida estándar de Entropía Cruzada y se alienta a asignar pesos de pérdida mayores a ejemplos de alta confianza. A través de observaciones empíricas y justificación teórica, descubrimos que el mecanismo de calibración de la GCL es añadir un regularizador de entropía mínima a la divergencia KL para reducir la entropía de las muestras clasificadas correctamente. Para evaluar la efectividad de la GCL, entrenamos varios modelos representativos de GNNs que usan la GCL como función de pérdida en diversos conjuntos de datos de redes de citación y aplicamos además la GCL a un marco de autoentrenamiento. Comparado con los métodos existentes, el método propuesto logra un rendimiento de calibración de vanguardia en la tarea de clasificación de nodos e incluso mejora la precisión de clasificación estándar en casi todos los casos.