本文探讨了 AdaBoost 在预测概率时存在的失真问题，并介绍了三种校正方法：Platt Scaling，Isotonic Regression 和 Logistic Correction，在实验中发现 Logistic Correction 和使用对数损失的提升模型对决策桩这样的弱模型表现良好，而对完整的决策树等复杂模型表现较差，而 Platt Scaling 和 Isotonic Regression 则显著提高了所预测概率的准确性。

Jul, 2012

研究表明知识图谱嵌入方法存在概率校准问题，提出了一种在无真负例的情况下使用 Platt 校准和保序回归的方法。实验结果表明，该方法相对于未校准的方法具有明显的性能提升，达到了同等质量校准方法的最新水平。同时，该方法还能够避免定义特定关系的决策阈值，具有一定的推广价值。

Dec, 2019

ML 预测模型需要是可靠的和值得信赖的，这通常意味着它们需要输出校准后的概率。本文介绍了一种使用布莱克韦尔可达定理的技术，将可能不具备校准性的在线预测模型转变为校准的预测模型，而原始模型的损失不会显著增加。我们提出的算法在在线环境中实现了比现有技术（arXiv:1607.03594）更快的校准和准确性，并且是第一个在在线环境中提供校准误差和准确性灵活权衡的算法。通过使用我们的技术来描述可同时实现校准和后悔的空间，我们证明了这一点。

Oct, 2023

使用贝叶斯神经网络进行预测可以直接模拟预测分布，在小数据组和表格数据中表现竞争力，并与校准神经网络进行比较。

Sep, 2022

本研究解决在线学习中的参数调整问题，提出用于线性模型的算法，使其预测结果不受特征缩放的影响，并且在保持运行时性能的同时达到与使用最优学习率的 OGD 算法相同的遗憾界限。

Feb, 2019

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

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。

May, 2022

我们设计了一种在线线性优化算法，其具有最佳的遗憾度，并且不需要知道损失向量范数的上界或下界。通过尺度不变性，我们实现了对损失向量范数的适应性，即使损失向量序列乘以任意正常数，我们的算法仍会做出完全相同的决策。我们的算法适用于任何有界或无界决策集。对于无界决策集，这是第一个真正自适应的在线线性优化算法。

Feb, 2015

提出了概率校准树，是一种修改后的逻辑模型树，它识别输入空间中的不同区域，在这些区域中学习不同的概率校准模型以提高性能。与等单调回归和 Platt 缩放方法相比，我们的方法的平均根均方误差更低，适用于各种基础学习器产生的概率估计。

Jul, 2018

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