모델 불확실성 정량화를 위한 적절한 점수 기반의 효율적인 보정 방법

모델 신뢰성이 중요한 실제 응용 분야에서 실무자들은 딥 신경망의 불확실성 보정을 개선하는 데 점점 더 많은 관심을 기울이고 있다. 보정 오차는 확률적 예측의 신뢰성을 정량화하기 위해 설계되지만, 이들 추정량은 일반적으로 편향되고 일관성이 없다. 이 연구에서는 적절한 보정 오차 프레임워크를 소개하여, 각 보정 오차를 적절한 점수와 관련짓고 최적의 추정 특성을 가진 상응하는 상한을 제공한다. 이 관계는 모델 보정 개선을 신뢰성 있게 정량화하는 데 사용될 수 있다. 우리는 이론적으로 그리고 경험적으로 일반적으로 사용되는 추정량의 단점을 우리의 접근법과 비교한다. 적절한 점수의 광범위한 적용 가능성 덕분에, 이는 분류 문제 이외의 영역에서 보정을 자연스럽게 확장할 수 있다.