扩展温度缩放技术：同质化映射提升模型校准

Extending Temperature Scaling with Homogenizing Maps
扩展温度缩放技术：同质化映射

Christopher Qian, Feng Liang, Jason Adams; 26(161):1−46, 2025.

摘要

随着机器学习模型变得越来越复杂，校准不佳严重限制了其预测的可靠性。温度缩放通过学习一个单一的温度参数来缩放输出的逻辑值，尽管方法简单，但它仍然是最有效的后处理重新校准方法之一。我们识别了温度缩放的一个关键属性：它以我们称之为“同质化”的方式增加了预测的不确定性，并提议从一个满足此属性的更大函数类中学习最优的重新校准映射。我们证明了我们的方法在校准和分布外检测方面均优于温度缩放。此外，我们将我们的方法学和实验评估扩展到贝叶斯设置下的重新校准。

[abs][pdf][bib] [code]

© JMLR 2025. (edit, beta)
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）