介绍了一种名为 “基于模拟的校准(SBC)” 的通用过程,可验证使用贝叶斯算法生成后验样本的推断的正确性和一致性,并提供可指示问题性质的图形总结。
Apr, 2018
引入校准项到神经模型的训练目标中,通过放松经典校准误差公式,我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战,该方法适用于现有计算流程,实现可靠的黑盒后验推断,并在六个基准问题上经验证明具有竞争性或更好的结果。
Oct, 2023
这篇论文提出了第一个框架,统一了概率预测模型的校准评估和测试,并应用于分类和任意维度回归模型。
Oct, 2022
提出了一种通过惩罚那些增加数据和模型之间不匹配度的统计量的正则化损失函数作为一般性方法来处理模型错误规范问题,从而在 SBI 过程中获取稳健的推断结果。
May, 2023
基于自我增强框架的标定排序 (Calibrated Ranking) 系统解决了实际应用中现存的两个关键限制:聚合策略和概率预测上的全局权衡。
Jun, 2024
文章讨论了多类别分类中的概率模型拟合和校准问题,并提出了一种基于矩阵核的估计器来解释校准度量的测试统计量。
Oct, 2019
通过 PAC Bayes 框架进行校准误差的泛化分析,并提出了一个基于该泛化理论的智能校准算法。数值实验表明,该算法提高了基于高斯过程的校准性能。
通过近期关于机器学习和决策的文献,校准已成为二进制预测模型输出的理想和广泛研究的统计特性,本文通过性质测试的角度启动了校准的算法研究,设计了一种基于近似线性规划的算法,解决校准测试问题,同时开发了对该测试问题容差化的算法,并给出了其他校准距离的样本复杂性下界。
Feb, 2024
本文提出了一种新的统计量以量化两个条件分布之间的差异,该统计量在高维空间中操作对称正半定(SPS)矩阵锥,并使用 Bregman 矩阵散度。此外,它继承了 correntropy 函数的优点,可以显式地将高阶统计量纳入数据中。最后,我们展示了我们的统计量在多个机器学习问题中的应用,证明了其效用和优势。
May, 2020
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