Ishida

新研究揭示温度缩放会扭曲人工智能模型的误差代理

一篇新发表在arXiv上的论文详细介绍了温度缩放（一种常见的人工智能模型事后校准方法）如何显著扭曲贝叶斯误差代理估计。研究人员Ishida和Ushio发现，这种扭曲非常明显，以至于一个具有固定决策和错误率的分类器可以报告广泛范围内的任何代理值。他们的工作提供了一个精确的、与模型无关的恒等式，将温度缩放的代理与分类器的边际分布联系起来，精确地解释了导致校准类补救措施的失真。