本文提出了一种考虑类别分布的深度神经网络模型校准方法，针对高频类别过于自信的问题，通过使用类别频率信息来替换温度值或平滑标签，并结合蒸馏损失减少误校准。实验证明该方法在长尾数据集上提高了预测准确性和校准性能。

Sep, 2021

研究了用于深度神经网络的置信度校准方法 Temperature Scaling（TS），发现在验证集规模较小或者包含噪声标记的情况下，其效果不佳，同时也不能同时兼顾高准确性和低准确性的网络，提出了一种新方法 Attended Temperature Scaling（ATS），在保留 TS 优点的同时提高了校准的鲁棒性，并在皮肤病检测应用上进行了对比分析。

Oct, 2018

本研究采用温度缩放方法构建精细的分组缩放以及采用验证样本增强方法，取得了各种深度卷积神经网络模型在多个数据集上的一致且优异的校准表现。

Aug, 2019

我们提出了一种原生的多类别校准方法，适用于来自任何模型类的分类器，来源于狄利克雷分布并推广了来自二元分类的贝塔校准方法。“通过实验，证明改进了概率预测。

Oct, 2019

通过元集合级联温度回归方法，本文提出了一种新颖的事后校准方法，通过对验证集上的数据增强模拟不同领域的转变，为不同的测试集定制细粒度的缩放函数，捕捉多样化的不确定性，并通过回归网络学习得到类别特定和置信度特定的缩放，实现元集合之间的校准。通过在 MNIST、CIFAR-10 和 TinyImageNet 上进行广泛的实验证明了该方法的有效性。

Feb, 2024

本文提出使用温度缩放法校准模型不确定性，进而减少不确定性的误差，通过对 CNN 架构的实验结果表明，该方法有效地减小了 UCE，提高了模型可靠性并不影响模型的准确性。

Sep, 2019

本文提出了一种基于多个不同领域数据的系统校准模型 —— 多域温度缩放，用于处理分布变化，通过实验证明，该方法在处理相同的训练数据和测试数据的情况下表现出更好的鲁棒性和性能。

Jun, 2022

本论文研究如何从长尾分布的样本中训练模型并校准，利用知识转移和重要性权重估算方法，将尾部类别的目标概率密度适应地从头部类别中传输，实现了长尾分布校准，并在多个数据集上证实了该方法的有效性。

Apr, 2023

神经网络在蒸馏数据上训练往往会产生过于自信的输出，需要通过温度标定和混合等校准方法进行修正。然而，现有的校准方法对于在大型源数据蒸馏产生的网络并不适用。本文显示，由于最大逻辑概率的分布更集中以及语义有意义但与分类任务无关的信息的丢失，蒸馏数据导致的网络不可校准。为了解决该问题，我们提出了掩码温度标定（MTS）和掩码蒸馏训练（MDT），可以缓解蒸馏数据的限制，实现更好的校准结果，并保持数据集蒸馏的效率。

Jul, 2023

本文提出了一种新的参数化温度缩放（Parametrized Temperature Scaling, PTS）方法，以解决深度神经网络预测不确定性校准问题。作者发现，标准的后处理校准器受限于其内在表达能力，为此他们基于神经网络计算预测特定的参数化温度，并在大量的实验中证明了这种方法比现有算法更为准确和有效。

Feb, 2021