基于线性分类器探针白盒元模型的置信度评分
机器学习
2019-04-19 v2 机器学习
摘要
我们提出了一种基于双模型范式（包含基模型与元模型）的深度神经网络新颖置信度评分机制。置信度分数由元模型通过观察基模型在其任务上的成功或失败来学习。作为元模型的特征，我们研究了插入基模型各层之间的线性分类器探针。我们的实验表明，该方法在过滤任务（即拒绝低置信度样本的任务）中优于多种基线方法。实验结果使用 CIFAR-10 和 CIFAR-100 数据集（含加噪与未加噪）给出。我们讨论了置信度评分对于弥合实验与实际应用之间差距的重要性。
引用
@article{arxiv.1805.05396,
title = {Confidence Scoring Using Whitebox Meta-models with Linear Classifier Probes},
author = {Tongfei Chen and Jiří Navrátil and Vijay Iyengar and Karthikeyan Shanmugam},
journal= {arXiv preprint arXiv:1805.05396},
year = {2019}
}
备注
Accepted at AISTATS 2019