ICLR 2024で発表された論文。深層ニューラルネットワークは様々な機械学習タスクで利用されているが、複雑性が増すとキャリブレーションの問題に直面する。多くの研究が特定の損失関数やトレーニングフレームワークを使用してキャリブレーション性能を向上させようとしているが、キャリブレーション特性についての調査は比較的見過ごされてきた。本研究では、Neural Architecture Search(NAS)サーチスペースを活用し、広範囲なモデルアーキテクチャスペースで徹底的なキャリブレーション特性の探索を行っている。具体的には、90個のビンベースおよび12個の追加キャリブレーション測定値を評価し、117,702個の一意なニューラルネットワークで評価している。さらに、提案されたデータセットを使用して長年の未解決問題に答えようとしており、「異なるデータセット間でモデルのキャリブレーションは一般化可能か?」「ロバスト性はキャリブレーション測定として使用できるか?」など多くの質問に取り組んでいる。
Başka Bir Dile
kaynak içeriğinden
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Linwei Tao,Y... : arxiv.org 03-08-2024
https://arxiv.org/pdf/2308.11838.pdfDaha Derin Sorular