ReliableNet 解决深度学习中自信错误预测问题

研究人员推出了一种用于深度学习中可信分类的新方法 ReliableNet。该方法直接约束预测既自信又错误的概率，这是一种可能绕过人工审查的关键故障模式。ReliableNet 将此表述为机会约束经验风险最小化问题，确保联合自信错误（JCW）概率低于用户定义的风险预算。在各种数据集和不同类型的分布变化下，ReliableNet 证明了其对 JCW 预算的认证遵守以及具有竞争力的准确性，在选择性排序方面优于现有方法。 AI

影响 通过直接解决自信错误预测问题来增强模型可靠性，这对于安全关键型应用至关重要。

排序理由 该条目是一篇 arXiv 预印本，详细介绍了深度学习的新研究方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• Ange-Clément Akazan
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• empirical risk minimization
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Joint Confident-Wrong
• ReliableNet
• ScienceCast

• 论文
• 安全

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