在安全关键应用的不确定性量化和决策中，概率模型的校准至关重要，在存在最小协变量转移时，针对校准的问题已受到广泛研究，我们提出了一种基于重要性采样的方法来解决这个问题，并在真实数据集和合成数据集上评估和讨论了我们的方法的有效性。

Jun, 2020

通过多校准算法，我们不仅能预测标签分布的期望值，还能预测更高阶矩，这为在各个子群体上估计不确定性和诊断特征的不公平性提供了一个原则性的方法。

Aug, 2020

本文提出一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进，并且不需要来自目标域的数据，通过理论和实证实验的方法展示了该方法的有效性，并比较了其表现与其他基于域适应的最先进的校准方法。实验表明，在 Office-Home 数据集上的多类别分类中，我们所提出的校准方法的表现提高了 35 个百分点，期望校准误差降低了 8.86 个百分点。

Apr, 2021

该论文介绍了一种用于后处理机器学习模型的框架，以满足多组公平性保证。该框架适用于不同的场景，包括图像分割中的假阴性率控制、层次分类中的预测集条件不确定性量化以及语言模型中的去偏文本生成。通过对多个数据集和任务进行数值研究验证了该框架的效果。

May, 2024

本文探讨了机器学习系统中的社会公正问题，提出了一种多校准方法来解决群体公平性问题。通过解耦公平性度量（多校准）和准确性（预测误差），本研究为多校准误差提供了样本复杂度界限，从而保证了经验的与真实的多校准误差相近。

May, 2020

本研究探讨了如何测量和改善模型的鲁棒性，并提供了五个包括准确性、校准误差、对抗攻击、环境不变性和综合污染的数据集对深度学习网络进行了分析与比较，发现鲁棒性的提升与具体数据集相关，且关系更为复杂。

Jul, 2022

本文提出了一种算法，用于校准模型预测并考虑协变量转移的情况，采用重要性加权法纠正训练分布与实际分布的差异，并通过领域适应的方法实现两个分布尽可能一致， 实证结果表明，该方法在存在协变量转移时优于现有的校准方法。

Feb, 2020

该研究是第一项全面评估选定模型的多校准后处理在广泛标签、图像和语言数据集上的实用性，并总结了：（1）开箱即用的模型往往相对多校准且无需额外的后处理；（2）多校准后处理可以改善本质上无法校准的模型；（3）传统的校准度量有时会隐含地提供多校准度。此外，还总结了许多独立的观察结果，对实际应用多校准后处理在现实环境中具有实用性和有效性的情况可能有所帮助。

Jun, 2024

通过使用专家混合技术和计算机视觉领域的先进数据增强技术，结合对预测不确定性的稳健后期校准，我们可以在表格数据的深度神经网络中实现比提升树模型更准确和更好校准的结果，从而改进领域外天气预测和不确定性估计。

Jan, 2024

本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。

Aug, 2020