11:54
官方账号arXiv cs.LG@Shreyas Pradeepkumar Khandale
精选
推荐理由：这篇论文把校准里的一个坑讲透了：温度缩放能让同一个模型输出任意低的代理误差，但实际错误率根本没变，数值能差几百倍。做不确定性估计的一定要看。
贝叶斯误差代理
共 1 条相关 AI 资讯
7月21日
11:54
Ishida等人提出的软标签贝叶斯误差估计器β(z)=E[min(z,1-z)]在概率并非真实后验时会产生严重偏差。研究证明温度缩放会导致代理值与真实误差完全脱钩：固定分类器在CIFAR-10、Fashion-MNIST和SVHN的8个二分类任务上，0-1误差不变，代理值可变化56倍至980倍。理论推导表明温度与代理值之间存在连续双射，使同一分类器能报告(0,1/2)区间内的任意代理值。在Logits服从高斯分布时，作者给出了代理-温度曲线的闭式参数解，经验拟合误差小于0.018。校准温度（最小化ECE）与稳定的代理值没有对应关系。