介绍了自校准接口范式，如何从经过预校准的接口逐步迈向自我校准的接口，以及在增加输入方式的复杂度的同时如何通过支持插图、互动演示和视频等方式提供直观易懂的示例。
Dec, 2022
提出了一种新的自主 - 无监督 (Self-PU) 学习框架，该框架无缝地集成了自我训练和无监督学习以解决 Positive-Unlabeled（PU）学习问题，并在 Alzheimer 的疾病分类中实现了显着改善。
Jun, 2020
本文提出了一种新的评估指标，称为 “field-level calibration error”，用于衡量决策者关注的敏感输入领域中预测偏差，提出了一种名为神经校准的后续校准方法，使用验证集中的领域感知信息进行校准，并通过实验证明其对常见度量（如负对数似然、布里尔分数和 AUC）以及所提出的 “field-level calibration error” 指标的校准性能得到了显著提高。
May, 2019
该研究针对传感器技术的重要任务，提出一种利用专家知识改进的仿射变换方法，可用于软件校准、基于专家的适应以及联邦学习方法。研究通过模拟和实际数据实验评估了这个解决方案在一个有 8 个相同传感器的多传感器板上的效果，结果显示在模拟和实验数据中都有所改进。
Sep, 2023
本文提出了原型校准方法，用于零样本和少样本分类中自适应地学习更健壮的决策边界，以替代贪婪解码。实验结果表明，原型校准在各种任务中都有显著的提高，从而极大地提高了 GPT 对不同模板、排列和类别不平衡的鲁棒性。
May, 2022
本文提出了一种名为 Posterior-Calibrated Training 的训练方法，直接优化目标，并最小化预测后验概率与经验后验概率的差异，从而在减小校准误差的同时提高任务性能。该方法对于任何类型的分类任务都能很好地适用。
Apr, 2020
本研究比较了三种主动学习方法和视觉检测，提出了六个新的指标来评估校准质量，并探讨了现有校准器是否能通过利用近似基准事实来扩大校准集合来提高性能。研究结果表明，即使在达到 0.95 的阈值时，探索的主动学习设置也可以将数据标注工作量减少三到四个百分点，并且不会损害整体质量目标。此外，研究结果表明，建议的校准指标成功捕获相关信息，无需获取基准事实数据，可以用于估计模型概率校准的质量。
Sep, 2022
通过 AdaCalib 模型的双重适应方法，我们可以根据后验统计信息学习保序函数族，进行精细校准，并确保后验概率适合于校准的场值。实验证明，AdaCalib 在校准性能上获得了显著的提高，可在线部署并超越先前的方法。
提出了一个深度学习框架来实时学习相机的内部和外部校准，该框架自我监督，无需标注或监督学习校准参数，并且无需物理目标或在特殊平面表面上驾驶车辆。
Aug, 2023
该研究介绍了一种名为公平校准的后训练方法，用以减少面部识别模型中的偏见，并提高模型准确性和公平性，同时避免再训练、再调整模型以及敏感数据泄露等问题。
Jun, 2021