研究人员推出了一种新颖的V-ECE方法,用于估计概率分类中的通用期望校准误差。与先前仅限于特定散度度量或需要分箱的旧方法不同,V-ECE利用依赖于预测的适当得分来估计具有通用凸散度(包括L_p距离)的校准误差。该方法采用梯度提升方法来改进重新校准,从而得到一个无需分箱或聚类即可下界真实校准误差的估计器。V-ECE在基准任务上表现出高精度,在二分类和多分类设置中均优于现有估计器。 AI
影响 改进了概率分类器的诊断工具,可能导致更可靠的AI系统。
排序理由 该集群包含一篇学术论文,详细介绍了一种估计机器学习模型校准误差的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Bregman divergence
- Eugène Berta
- Expected Calibration Errors
- Hugging Face
- L1 distance
- Lp CE
- V-ECE
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →