Apple Machine Learning Research
·
可证明的不确定性分解通过高阶校准
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
我们提出了一种方法，将模型预测的不确定性分解为随机性和认知性，并与真实数据分布关联。该方法基于高阶校准的新概念，能够测量和实现高阶校准，确保随机不确定性的估计与真实数据一致。这是首个不依赖真实数据分布假设的正式保证，适用于现有高阶预测模型，并提供自然评估指标。实验结果表明，该方法在图像分类中表现有效。
🎯
关键要点
- 提出了一种方法，将模型预测的不确定性分解为随机性和认知性，并与真实数据分布关联。
- 该方法基于高阶校准的新概念，能够测量和实现高阶校准。
- 确保随机不确定性的估计与真实数据一致，这是首个不依赖真实数据分布假设的正式保证。
- 适用于现有高阶预测模型，并提供自然评估指标。
- 实验结果表明，该方法在图像分类中表现有效。
➡️
