通过关联焦点损失、温度缩放和适当性来改善校准

本文提出了焦点损失、温度缩放和参数化温度缩放等校准方法，旨在提高分类模型在测试数据上的校准表现。

焦点损失能够改善模型在测试数据上的校准表现，解决过度自信问题。

焦点校准映射揭示了焦点损失与温度缩放之间的关系，并提出了焦点温度缩放作为新的后处理校准方法。

实验证明焦点温度缩放在多个图像分类数据集上优于标准温度缩放。

参数化温度缩放方法解决了深度神经网络预测不确定性校准问题，表现出更高的准确性和有效性。

双重焦点损失方法在多个模型和数据集上表现出更好的平衡性和金标准表现。

后处理校准的类别训练损失缩放方法通过多个类别缩放因子缓解类别训练误差的差异，表现出色。

双通道温度缩放校准模型考虑了不同类别的温度参数多样性，达到了最先进水平。

通过提高预测正确性意识的新后续校准目标函数，模型在校准性能上达到竞争水平。

几何视角下的焦点损失研究表明，损失表面的曲率可能是实现模型校准的关键因素之一。