ICLRDec, 2019

知识图谱嵌入模型的概率校准

PDF
TL;DR研究表明知识图谱嵌入方法存在概率校准问题，提出了一种在无真负例的情况下使用 Platt 校准和保序回归的方法。实验结果表明，该方法相对于未校准的方法具有明显的性能提升，达到了同等质量校准方法的最新水平。同时，该方法还能够避免定义特定关系的决策阈值，具有一定的推广价值。
发现论文，激发创造
  • 评估知识图谱嵌入的校准性，用于可靠的链接预测

    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

  • 概率校准树

    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

  • 基于贝叶斯神经网络的预测不确定性与后验校准对比

    使用贝叶斯神经网络进行预测可以直接模拟预测分布，在小数据组和表格数据中表现竞争力，并与校准神经网络进行比较。

    Sep, 2022

  • 从 Boosting 获取校准的概率

    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

  • 神经网络回归中概率校准的大规模研究

    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

  • 现代神经网络的校准

    深入实验和分析，提出了温度缩放法的简单有效性，可以解决现代神经网络中分类器的置信度校准问题。

    Jun, 2017

  • 保持积极：无需负采样的知识图谱嵌入

    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

  • 超越分类的校准测试

    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

  • 经过验证的不确定性校准

    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

  • 使用个性化排名模型获取校准概率

    本文提出了两种参数标定方法：高斯标定和 Gamma 标定。 进行了广泛的评估，表明这两种标定方法和无偏经验风险最小化极大地提高了标定性能。

    Dec, 2021