研究多分类学习问题的替代损失函数的一致性属性,提出了分类校准和凸校准维度的概念和理论,并应用于分析各种损失矩阵和证明在子集排名下某些类型的凸校准替代损失不存在。
Aug, 2014
本文提出一种新颖的理论框架,利用凸代理损失函数最小化,探讨结构化预测的相关问题,并提供一些保证与监测措施,同时说明了某些任务损失导致学习难度增加,因此普适性最强的 0-1 损失函数并不适用于一般化的结构化预测。
Mar, 2017
文章讨论了多类别分类中的概率模型拟合和校准问题,并提出了一种基于矩阵核的估计器来解释校准度量的测试统计量。
Oct, 2019
这篇论文提出了第一个框架,统一了概率预测模型的校准评估和测试,并应用于分类和任意维度回归模型。
Oct, 2022
本研究通过提出一种局部最优条件,替换全局最优性来回答在受限的预测器族中优化适当的损失函数是否会产生校准模型及其准确的校准保证。通过表明具有此局部最优性的任何预测器都满足平滑校准,此研究也对解释为什么深度神经网络仅通过适当的损失函数最小化就能校准提供了一个合理的解释。
May, 2023
该研究提出了两种技术,一种是简化校准方法,将原问题转化为更简单的问题,并使用非参数重新校准方法进行解决,另一种是基于神经崩溃现象和大多数精确分类器可以被认为是 K 个不同函数的组合的观察来提出针对每个类别独立重新校准的方法。将这两种方法应用在一起可以减少预测和每个类别的校准误差。
提出了一种类别自适应标签平滑方法(CALS),在训练过程中允许学习班级特定的乘数,通过在大规模的自适应训练中引入几种修改以量身定制它,以校准深度神经网络,综合评估和多重比较展示了所提出方法的优越性
Nov, 2022
我们提出一种多类别标签问题的校准方法,通过多项式时间和样本复杂度来高效校准预测器,以获得对二元分类问题的强有力保证。
Feb, 2024
本文研究了多类别分类问题中的拒绝机制,提出了同时训练分类器和拒绝器的方法,并探讨了针对更广泛损失函数的可接受标准,最终通过实验验证了理论发现的相关性。
Jan, 2019
本文提出了一种新的概念 —— 决策校准,指预测分布与真实分布在一组决策者下是 “不可区分的”。在选择有界行动的决策者的情况下,作者设计了一种重新校准算法,其样本复杂度多项式时间,并在皮肤病和 ImageNet 分类等领域中验证了该算法的有效性。
Jul, 2021