PulseAugur
中
实时 02:43:32
English(EN) Bandwidth Selection in Kernel Density Estimation for Model Calibration

新的风险对齐框架改进了AI模型校准

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了风险对齐（RA），一个用于在核密度估计（KDE）中选择最优带宽以进行模型校准的新框架。最大似然估计（MLE）等标准方法在校准任务中常常表现不佳。RA旨在通过将KDE重建风险与经验风险对齐来提高可靠性，理论上可最小化校准估计偏差。实验表明，RA在各种架构和数据集上始终优于现有方法。 AI

影响 通过改进模型校准，提高高风险AI应用中不确定性估计的可靠性。

排序理由 该集群包含一篇详细介绍模型校准新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的风险对齐框架改进了AI模型校准

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Han Zhou, Teodora Popordanoska, Matthew Blaschko ·

    用于模型校准的核密度估计中的带宽选择

    arXiv:2606.29925v1 Announce Type: new Abstract: As deep learning models are increasingly deployed in high-stakes applications, providing well-calibrated uncertainty estimates has become as critical as achieving high predictive accuracy. While Kernel Density Estimation (KDE) has e…

相关实体

相关话题