知识图谱嵌入模型的概率校准
本文研究了知识图谱嵌入模型的可信度,并通过校准技术在标准的封闭世界状态下对其进行了评估,然后引入更现实但具有挑战性的开放世界状态。最后通过人机协作案例来说明校准的实用性。
Apr, 2020
提出了概率校准树,是一种修改后的逻辑模型树,它识别输入空间中的不同区域,在这些区域中学习不同的概率校准模型以提高性能。与等单调回归和 Platt 缩放方法相比,我们的方法的平均根均方误差更低,适用于各种基础学习器产生的概率估计。
Jul, 2018
本文探讨了 AdaBoost 在预测概率时存在的失真问题,并介绍了三种校正方法:Platt Scaling,Isotonic Regression 和 Logistic Correction,在实验中发现 Logistic Correction 和使用对数损失的提升模型对决策桩这样的弱模型表现良好,而对完整的决策树等复杂模型表现较差,而 Platt Scaling 和 Isotonic Regression 则显著提高了所预测概率的准确性。
Jul, 2012
本文通过最大实证研究来评估神经网络的概率校准和比较多种校准方法,并发现正则化方法在概率校准和锐度之间提供有利的权衡,而修正方法具有更好的概率校准。同时,我们还展示了分位数校准可以被视为一种特定的修正方法,并论证了修正方法的概率校准优势来自于有限样本覆盖的保障。
Jun, 2023
该论文提出了一种训练过程,通过向损失函数添加新颖的正则化项,避免了使用负采样的需要,并且在两个关系嵌入模型(DistMult 和 SimplE)中得到了优异的性能和速度。
Jan, 2022
本篇论文提出一种基于 Platti scaling 和 temperature scaling 的直方图分块校准法,用于计算模型校准误差,并使用气象学中的估算器来更加准确地估计校准误差。作者在多类别校准实验中将缔合法的校准误差降低了 35%。
Sep, 2019