本文研究如何进行概率预测模型的准确校准和分类器的后处理方法，通过引入两种评估分类器校准程度的指标，并证明可以通过直方图分箱后处理方法来实现分类器的校准，同时维持其判别能力，实验证明该方法优于或与现有校准方法相当。

Jan, 2014

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

研究数据无任何分布性假设条件下，针对二分类问题的不确定性量化中的三种方法——标定、置信区间和预测集，建立了连接这三个概念的三角脚架，明确了使用基于评分函数的分类器才能进行无分布标定的必要条件。我们还推导了面向固定宽度和统一质量分组的二分类问题中的无分布概率分组方法的置信区间，这些区间可以导致无分布标定。此外，我们还推导了针对流数据和协变量转移的扩展。

Jun, 2020

本研究提出了一种基于信息论的I-Max binning方法和共享类别标定的策略，旨在解决直方图划分方法在分级准确性和样本效率方面的局限，提供高质量多类别排名和校准估计。

Jun, 2020

我们提出了一种通用的直方图阈值技术（GHT），它可以通过高斯混合的近似最大后验估计来进行工作，并展示了它的实用性和有效性。该技术可以涵盖三种经典的阈值技术算法：Otsu方法、最小误差阈值法（MET）和加权百分位数阈值法。GHT可以在这三种算法之间进行连续的插值，从而显著提高了阈值精度并提供了更清晰的阈值解释，同时提供了解释直方图bin width调整的公共实践，总而言之，在手写文件图像二值化的最新挑战中，GHT的表现超过或匹配所有算法，包括经过训练产生像素级二值化的深度神经网络，可用12行代码或对Otsu方法或MET进行微不足道的修改。

Jul, 2020

研究AI系统在决策中的可靠性，提出了一种新的校准误差评估方法，并分析了常见神经结构的同类输出，提出基于等质量分组的估计器可以降低偏差，提出两种可靠的校准误差估算器，并观察到重新校准方法的有效性和模型渐进失真检测的提高。

Dec, 2020

本文提出了一种名为顶级标签校准的新型多分类器校准方法，该方法通过将多分类校准转化为众多的二分类校准问题并使用简单二进制校准程序来解决，实验结果表明该方法在CIFAR-10和CIFAR-100上的表现比温度缩放等其他方法更加优秀。

Jul, 2021

本文提出了一种称为多项提升校准树（MBCT）的特征感知分箱框架，针对机器学习分类器中缺乏对校准精度的处理，该校准过程通过学习多维特征，实现了非单调且可提升预测准确性的分箱校准方法。

Feb, 2022

本文主要介绍了基于 MDL 原则的 G-Enum 直方图方法，不需用户参数即可构建直方图。对于特殊情况，提出了适用于离群值或重尾分布等两种不同情况的两级启发式方法。经过大量实验证明了该方法的优势。

Jun, 2023

本文首次全面分析了两种常见的分箱策略中的估计偏差，建立了偏差的上界以实现改进的收敛速率，并给出了最小化估计偏差的最佳箱数。此外，使用信息理论方法扩展了我们的偏差分析到广义化误差分析，得出了上界，使得我们能够数值评估未知数据的 ECE 多小。深度学习模型实验证明了我们的上界在信息理论广义化分析方法的指导下是非虚无的。

May, 2024