Feb, 2023

超越领域场景：稳健的密度感知校准

PDF
TL;DR使用基于最近邻的密度感知校准方法，利用分类器的隐藏层作为不确定性相关信息的来源对深度学习模型进行校准，提高了对域漂移和离域数据的可靠性，并在保持良好域内预测不确定性估计的同时，提高了校准的鲁棒性。
deep learninguncertaintycalibrationneural networksknn
发现论文，激发创造
  • 针对领域偏移场景的后验不确定性校准

    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

  • 目标检测的多类置信度和定位校准

    本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。

    Jun, 2023

  • 关于校准和域外泛化

    本文提出了一种新颖的多域校准机制，该机制使分类器能够在未知领域中实现良好的泛化性能，实验证明通过训练或修改模型实现多域校准可以显著提高模型在未知测试域上的性能。

    Feb, 2021

  • 通过距离感知先验校准贝叶斯神经网络的不确定性

    本文提出了一种基于距离感知的先验分布校准方法 (DAP)，可用于纠正贝叶斯深度学习模型在域外过于自信的问题，该方法可以作为后处理步骤执行，并能够有效地用于多种分类和回归问题。

    Jul, 2022

  • 深度学习中的一致置信现象及其对校准的影响

    本文研究了深度神经网络模型校准方面的现有问题，并发现这类模型存在大量 “几乎确定” 置信度，导致常常过于自信。同时，文章提出可采用 Mixup 数据增强技术中的修改损失函数的方法来解决此类问题。

    Jun, 2023

  • 用快速对抗校准实现深度神经网络中值得信赖的预测

    为了让实际应用的人工智能系统更加被广泛认知，模型的可信度至关重要。文章提出了一种新的训练策略，结合熵鼓励损失项和对抗校准损失项，以提高样本在领域世界偏移下的校准性和适应性。文章在不同的数据模式、数据集和网络架构上进行了全面的评估，结果显示该方法明显高于现有的最先进方法，应用于领域漂移下预测方面具有技术上的可信度。

    Dec, 2020

  • 基于 Dirichlet 的活动领域适应不确定性校准

    该研究提出了一种基于狄利克雷分布的不确定性校准方法来提高领域适应模型，同时解决了不确定性预测和关键样本挑选的问题。

    Feb, 2023

  • 领域适应中具有更低偏差和方差的可迁移校准

    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

  • 网络校准的置信度和确定性的多类别对齐

    我们提出了一种基于多类对齐预测均值置信度和预测确定度（MACC）的新的训练时校准方法，通过鼓励模型在预 softmax 分布中提供低（或高）扩散，从而达到了领域内和领域外预测的最先进校准性能。

    Sep, 2023

  • 基于贝叶斯近似的领域外检测分布校准

    本文提出了一种基于贝叶斯模型和 Monte-Carlo Dropout 技术的 OOD 检测框架，能够有效减少训练集和测试集分布的不匹配所导致的不确定性，从而提高 OOD 的 F1 得分。

    Sep, 2022