登入
洞見 - 模型校準
透過共形風險控制調整模型屬性
本文提出了一種基於屬性測試和共形風險控制的模型校準方法，透過後處理預先訓練模型的預測結果，確保預測結果符合預期屬性，例如單調性。
利用特徵裁剪進行不確定性校準
深度神經網路的過度自信問題可以通過一種稱為「特徵裁剪」的新穎後校準方法來解決，該方法通過裁剪特徵值來提高高校準誤差樣本的熵，從而提高模型校準性能。
在欠抽樣後使用 Platt 比例縮放進行校準：限制與解決方案
雖然 Platt 比例縮放在欠抽樣後經常被用於模型校準，但這種方法並非為此目的而設計，並且在某些情況下可能效果不佳。本文分析了 Platt 比例縮放的局限性，特別是在處理完美基礎模型和具有特定系統誤差的模型時，並提出了替代方法，例如使用 logit 轉換和邏輯廣義加性模型 (GAM) 來增強 Platt 比例縮放。
使用歐氏距離校準深度神經網路
本文提出了一種稱為「焦點校準損失」（FCL）的新型損失函數，通過將傳統的焦點損失與校準損失項（適當損失）相結合，在處理困難樣本的同時提高了深度神經網路的機率校準能力。
© 2024 by Linnk AI