用于提升后处理不确定性校准表达能力的参数化温度缩放
机器学习
2022-09-20 v2 人工智能
摘要
我们解决了不确定性校准问题，并引入了一种新的校准方法——参数化温度缩放（PTS）。标准深度神经网络通常产生未校准的预测，可使用后处理校准方法将其转换为校准的置信度分数。在本文中，我们证明了保持精度的当前最优后处理校准器的性能受其内在表达能力的限制。我们通过计算由神经网络参数化的预测特定温度，对温度缩放进行了推广。我们通过大量实验表明，我们这种保持精度的方法在大量模型架构、数据集和指标上一致地优于现有算法。
引用
@article{arxiv.2102.12182,
title = {Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration},
author = {Christian Tomani and Daniel Cremers and Florian Buettner},
journal= {arXiv preprint arXiv:2102.12182},
year = {2022}
}
备注
In Proceedings of the European Conference on Computer Vision (ECCV), 2022. Code available at https://github.com/tochris/pts-uncertainty