PulseAugur
中
实时 04:21:07
English(EN) FedLAS: Feature-Modulated Bidirectional Label Smoothing for Neural Network Calibration

新的FedLAS算法改进了神经网络校准

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FedLAS，这是一种旨在改进神经网络分类器校准的新型算法。这种即插即用方法解决了模型预测置信度与其实际准确度不符的问题，导致过度自信的错误预测或信心不足的正确预测。FedLAS利用基于特征范数的置信度指示器（NCI）和双向校准门控（BCG）模块，在训练过程中检测和纠正单个样本的过度自信和信心不足问题。在高分辨率视觉基准上的实验表明，FedLAS能够持续提高校准性能，降低预期校准误差（ECE）等指标，同时保持Top-1准确率。 AI

影响 增强了神经网络预测的可靠性，这对于需要准确置信度估计的应用至关重要。

排序理由 关于神经网络校准新算法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的FedLAS算法改进了神经网络校准

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Thiru Thillai Nadarasar Bahavan, Sachith Seneviratne, Saman Halgamuge ·

    FedLAS：用于神经网络校准的特征调制双向标签平滑

    arXiv:2606.28654v1 Announce Type: cross Abstract: Deep Neural Network (DNN) classifiers suffer from poor calibration when their softmax outputs (predictive confidence) deviate from the empirical likelihoods. This manifests itself as either overconfident incorrect predictions or u…

相关实体

相关话题