领域自适应和子组特定的级联温度回归用于分布外校准
计算机视觉与模式识别
2024-02-15 v1
摘要
尽管深度神经网络在给定足够训练数据时能产生高分类准确率，但其预测通常过于自信或不够自信，即预测置信度不能真实反映准确率。事后校准通过在不重新训练分类模型的情况下校准预测置信度来解决此问题。然而，当前方法假设测试数据分布与验证数据分布一致，限制了其在分布外场景中的适用性。为此，我们提出一种新颖的基于元集的级联温度回归方法用于事后校准。我们的方法通过在验证集上进行数据增强来模拟各种领域偏移，从而为不同的测试集定制细粒度的缩放函数。我们将每个元集根据预测类别和置信度水平划分为子组，捕获不同的不确定性。然后训练一个回归网络以导出类别特定和置信度水平特定的缩放，实现跨元集的校准。在MNIST、CIFAR-10和TinyImageNet上的大量实验结果表明了所提方法的有效性。
引用
@article{arxiv.2402.09204,
title = {Domain-adaptive and Subgroup-specific Cascaded Temperature Regression for Out-of-distribution Calibration},
author = {Jiexin Wang and Jiahao Chen and Bing Su},
journal= {arXiv preprint arXiv:2402.09204},
year = {2024}
}