本文介绍了 DOMINO++，这是一种面向 OOD 泛化能力的双引导和动态领域感知损失正则化方法，它整合了专家引导和数据引导的知识，通过对合成噪声、旋转数据以及不同磁共振成像扫描仪的真实数据进行综合评估，证明了 DOMINO++ 在真实临床数据上提高了可靠的 DL 部署性能。

Aug, 2023

提出了一种类别自适应标签平滑方法（CALS），在训练过程中允许学习班级特定的乘数，通过在大规模的自适应训练中引入几种修改以量身定制它，以校准深度神经网络，综合评估和多重比较展示了所提出方法的优越性

Nov, 2022

本文针对深度神经网络 (DNNs) 对于物体检测模型的校准问题，提出了一种新的辅助损失函数公式来对齐边界框类别置信度和准确性，并通过在多个基准数据集上的实验验证其有效性。

Mar, 2023

本文研究神经网络中误差校准问题，并提出了使用 Focal Loss 和温度缩放的方法，通过自动调整超参数来实现良好的校准，同时在多个计算机视觉和自然语言处理数据集上进行广泛的实验，证明了该方法可以在不损失准确率的情况下获得实现真正校准预测的最新性能。

Feb, 2020

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

本文提出了一种针对少样本学习的跨域迁移学习方法，该方法通过构建目标域感知的非线性子空间以及距离校准来提高传统基于距离的分类器的分类性能，这种距离校准通过逐步引导模型向经过校准的距离分布转化达成。

Dec, 2021

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

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

在医学图像分析领域，确保高准确性不仅是重要的，确保有良好校准的预测也至关重要。通过提供模型的确定性洞察，识别需要关注的情况并建立对其预测的信任，深度神经网络的置信度在可解释性方面起关键作用。我们进行了一项全面的实证研究，探索了不同训练方式下模型的性能和校准。研究揭示了权重分布和学习表示的相似性等因素与模型校准趋势的相关性，并强调将自监督学习方法融入医学图像分析中以改善性能和校准的优势。

Sep, 2023