神经网络的无模型本地校准

Mar, 2024

Model-Free Local Recalibration of Neural Networks

R. Torres, D. J. Nott, S. A. Sisson, T. Rodrigues, J. G. Reis...

TL;DR我们提出了一种使用人工神经网络隐藏层提供的输入的降维表示进行局部重新校准的人工神经网络预测分布方法，通过仿真研究证明了我们的方法相对于其他方法具有良好的性能，并探索了基于网络的不同层进行校准定位的益处。最后，我们将我们提出的方法应用于钻石价格预测问题，证明了我们的方法在现实世界应用中提高预测和不确定性量化的潜力。

Abstract

artificial neural networks (ANNs) are highly flexible predictive models. However, reliably quantifying uncertainty for their predictions is a continuing challenge. There has been much recent work on "recalibration

artificial neural networks recalibration predictive distributions localized recalibration uncertainty quantification

发现论文，激发创造

一个基于神经网络的金融模型校准框架

提出了一种数据驱动的方法 CaNN （Calibration Neural Network），用于使用神经网络（ANN）校准金融资产价格模型。该机器学习框架可以有效和准确地校准高维随机波动模型的参数。

Apr, 2019

重新审视现代神经网络的校准

本文研究了神经网络模型的预测不确定性及其校准问题，并发现不使用卷积层的最新模型的校准性能最好，模型大小和预训练量并不能完全解释这些差异，表明模型架构是影响校准性能的主要因素。

Jun, 2021

神经网络回归中概率校准的大规模研究

本文通过最大实证研究来评估神经网络的概率校准和比较多种校准方法，并发现正则化方法在概率校准和锐度之间提供有利的权衡，而修正方法具有更好的概率校准。同时，我们还展示了分位数校准可以被视为一种特定的修正方法，并论证了修正方法的概率校准优势来自于有限样本覆盖的保障。

Jun, 2023

神经网络的校准

该论文研究了神经网络中置信度校准的问题，并提供了校准方法的经验比较，分析了可视化和标量测量评估模型置信度校准的不同方法，并对基于后处理或对训练进行更改的现代校准技术进行了评估，实验结果覆盖了各种数据集和模型，比较了不同标准下的校准方法。

Mar, 2023

现代神经网络的校准

深入实验和分析，提出了温度缩放法的简单有效性，可以解决现代神经网络中分类器的置信度校准问题。

Jun, 2017

深度学习中的一致置信现象及其对校准的影响

本文研究了深度神经网络模型校准方面的现有问题，并发现这类模型存在大量 “几乎确定” 置信度，导致常常过于自信。同时，文章提出可采用 Mixup 数据增强技术中的修改损失函数的方法来解决此类问题。

Jun, 2023

医学成像分类神经网络的改进可训练校准方法

本文提出了一种新的校准方法，旨在提高神经网络在医学领域图像分类任务中的不确定性量化能力，该方法基于期望校准误差作为量化神经网络不确定性的公共度量，可以作为辅助损失项轻松地集成到任何分类任务中，从而显著降低分类误差。

Sep, 2020

深度学习中的校正：现有技术综述

深度神经模型校准在构建可靠的安全关键应用的人工智能系统中起着重要作用。本文回顾了最新的校准方法，并对它们进行了原理解析。

Aug, 2023

神经网络回归的设计概率校准

通过将后续校准嵌入到训练过程中，我们提出了一种名为量位数校准训练的新型端到端模型训练方法，该方法直接在训练过程中进行校准，无需额外参数，并且演示了其在大规模实验中在提高预测准确性的同时保持校准的性能。

Mar, 2024

基于贝叶斯神经网络的预测不确定性与后验校准对比

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