ECCVFeb, 2021
参数化温度缩放以提升 事后不确定性校准的表达能力
Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration
Christian Tomani, Daniel Cremers, Florian Buettner
TL;DR本文提出了一种新的参数化温度缩放(Parametrized Temperature Scaling, PTS)方法,以解决深度神经网络预测不确定性校准问题。作者发现,标准的后处理校准器受限于其内在表达能力,为此他们基于神经网络计算预测特定的参数化温度,并在大量的实验中证明了这种方法比现有算法更为准确和有效。