本文提出了一种名为 extit {ensemble of near isotonic regression} (ENIR) 的新型非参数校准方法，它能够扩展二元分类器输出校准的方法，并着重解决了在使用等单调回归的校准中存在的预测单调性假设限制，实验结果表明该方法在分类器输出校准能力的提高方面具有竞争力。

Nov, 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

本文提出了一种使用排名损失函数和等变回归来优化概率预测的技术，具有良好的排名和回归性能，并且在概率分布上比逻辑回归等统计学习方法表现更好，证明了该技术在实际应用中的有效性。

Jun, 2012

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

使用期望校准误差（ECE）作为关键指标，比较分析具有分布偏移的数据集的各种近似 IRM 技术，发现信息瓶颈基于 IRM 的方法在提升 ECE 的同时相对保持准确性的平衡，为保持稳健性不牺牲准确性提供了可行的途径，且提示需要系统方法评估超规范化对准确性的影响，以此解决准确性与校准之间微妙相互作用的问题。

Jan, 2024

我们分析了各种校准度量对分数失真的敏感性，并引入了一种精确的度量标准，即本地校准分数，比较了校准方法，提倡使用局部回归，强调其作为有效校准工具和更平滑可视化的双重作用。我们在真实世界情景中应用这些发现，使用随机森林分类器和回归器预测信用违约，并在性能优化过程中同时测量校准度。

Feb, 2024

本文研究了在线同位型回归问题中的最优在线学习算法，提出了使用指数权重算法结合同位型覆盖网的方法，并对其进行了理论分析和计算可行性的研究；同时还扩展了该算法在绝对损失函数的应用。

Mar, 2016

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

通过学习灵活的、单调的函数以及解决凸问题的方法进行单调查找表的训练，同时积极处理连续性特征，处理分类或缺失数据，并通过并行化和小批量处理等方法实现大规模的学习，使得在实际问题上提供更高的准确性与用户可解释性。

May, 2015

校准方法的研究提出了基于核的校准评估指标，将校准问题视为分布匹配任务，用于分类和回归，通过优化实证风险最小化的校准目标，在决策任务中提供了直观机制来量化指标和做出准确的损失估计和无悔决策，实验结果表明在一系列分类和回归任务中，这些指标作为正则化项能够提高校准度、预测的准确性以及决策能力，超过仅仅依靠事后校准的方法。

Oct, 2023