通过估计混淆矩阵改进深度集成
机器学习
2025-03-11 v1 机器学习
摘要
深度学习中的集成方法相比单一网络提高了准确性和校准性。传统的聚合方法即集成平均，通过对所有个体网络的输出取平均来同等对待它们。受众包启发，我们提出了一种用于深度集成的聚合方法，称为软 Dawid Skene，该方法估计集成成员的混淆矩阵并根据其推断的性能对其进行加权。与众包中常用的硬标签不同，软 Dawid Skene 聚合的是软标签。我们通过大量实验实证表明，与集成平均相比，软 Dawid Skene 在准确性、校准性和分布外检测方面具有优越性。
引用
@article{arxiv.2503.07119,
title = {Improving Deep Ensembles by Estimating Confusion Matrices},
author = {Danil Kuzin and Olga Isupova and Steven Reece and Brooke D Simmons},
journal= {arXiv preprint arXiv:2503.07119},
year = {2025}
}