基于辅助模型的置信度估计
计算机视觉与模式识别
2021-06-01 v2 机器学习
机器学习
摘要
可靠地量化深度神经分类器的置信度是一项具有挑战性但对在安全关键应用中部署此类模型的基本要求。本文引入一种用于模型置信度的新目标准则，即真实类概率（TCP）。我们表明，相较于标准最大类概率（MCP），TCP 为置信度估计提供了更好的性质。由于真实类在测试时本质上未知，我们提出用辅助模型从数据中学习 TCP 准则，并引入一种适应此情境的特定学习方案。我们在失败预测与用于域适应的伪标签自训练任务上评估我们的方法，这两者都需要有效的置信度估计。我们进行了大量实验以验证所提方法在各任务中的相关性。我们研究了多种网络架构，并使用小型与大型数据集进行图像分类与语义分割实验。在每个被测基准中，我们的方法均优于强基线。
引用
@article{arxiv.2012.06508,
title = {Confidence Estimation via Auxiliary Models},
author = {Charles Corbière and Nicolas Thome and Antoine Saporta and Tuan-Hung Vu and Matthieu Cord and Patrick Pérez},
journal= {arXiv preprint arXiv:2012.06508},
year = {2021}
}
备注
Accepted to TPAMI 2021