本文提出了一种算法,用于校准模型预测并考虑协变量转移的情况,采用重要性加权法纠正训练分布与实际分布的差异,并通过领域适应的方法实现两个分布尽可能一致, 实证结果表明,该方法在存在协变量转移时优于现有的校准方法。
Feb, 2020
本文提出一种基于域泛化的新型校准方法,通过利用多个校准域来减少目标域与校准域之间的分布差异,实现校准转移的改进,并且不需要来自目标域的数据,通过理论和实证实验的方法展示了该方法的有效性,并比较了其表现与其他基于域适应的最先进的校准方法。实验表明,在 Office-Home 数据集上的多类别分类中,我们所提出的校准方法的表现提高了 35 个百分点,期望校准误差降低了 8.86 个百分点。
Apr, 2021
本文探讨了深度神经网络中不确定性校准问题,并提出了一种针对域偏移的后处理校准方法,其通过对验证集的样本进行扰动,可大幅提高模型的校准性能。
Dec, 2020
通过使用专家混合技术和计算机视觉领域的先进数据增强技术,结合对预测不确定性的稳健后期校准,我们可以在表格数据的深度神经网络中实现比提升树模型更准确和更好校准的结果,从而改进领域外天气预测和不确定性估计。
Jan, 2024
通过多校准,建立一个新的无模型偏见优化框架,确保预测器在一组重叠群体中实现校准,从而与协变量偏移下的统计推断的稳健性相关联,并扩展多校准以包括考虑协变量和标签的分组函数,从而实现包括概念变化在内的预测任务的稳健性。
Jun, 2024
在面对数据集转移时,模型校准在确保机器学习系统可靠性方面起到关键作用。本研究提出了一种基于标签转移的新型 CE 估计器,通过利用加权重要性重新调整标记源数据分布,实现了对转移目标分布的一致且渐进无偏的 CE 估计,实验结果表明该估计器的有效性和可靠性。
Dec, 2023
预训练模型可通过计算域迁移下的软标签原型并根据与预测类别概率最接近的原型进行预测,从而适应无标签目标域数据,这种适应过程快速且几乎不需要计算资源,且能显著提升性能,我们在实用的合成到真实场景的语义分割问题中证明了该标签校准的益处。
Jul, 2023
本论文研究了领域自适应中的标定问题,提出了 Transferable Calibration 方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定,从而在关键场景下做出更可靠的决策。
Jul, 2020
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
以大量分类问题为基础,对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估,发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。
Jun, 2019