https://blog.qife122.com/tags/%E6%A0%A1%E5%87%86%E6%B5%8B%E8%AF%95/ Recent content in 校准测试 on 办公AI智能小助手 Hugo zh-cn qife Mon, 08 Sep 2025 02:19:12 +0800 https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E9%9B%86%E5%90%88%E8%AE%A4%E7%9F%A5%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7%E8%A1%A8%E7%A4%BA%E7%9A%84%E6%A0%A1%E5%87%86%E6%B5%8B%E8%AF%95%E6%96%B9%E6%B3%95/ Mon, 08 Sep 2025 02:19:12 +0800 https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E9%9B%86%E5%90%88%E8%AE%A4%E7%9F%A5%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7%E8%A1%A8%E7%A4%BA%E7%9A%84%E6%A0%A1%E5%87%86%E6%B5%8B%E8%AF%95%E6%96%B9%E6%B3%95/ <h1 id="基于集合认知不确定性表示的校准测试方法">基于集合认知不确定性表示的校准测试方法</h1> <h2 id="摘要">摘要</h2> <p>认知不确定性的准确表示是机器学习中具有挑战性但至关重要的任务。广泛使用的表示形式对应于概率预测器的凸集合，也称为置信集。构建这些置信集的一种流行方法是通过集成或专门的监督学习方法，其中认知不确定性可以通过集合大小或成员间分歧等度量来量化。原则上，这些集合应包含真实的数据生成分布。作为有效性的必要条件，我们采用最强的校准概念作为代理。具体而言，我们提出了一种新颖的统计测试方法，用于确定是否存在集合预测的凸组合在分布上被校准。与先前方法不同，我们的框架允许凸组合具有实例依赖性，认识到不同的集成成员可能在输入空间的不同区域具有更好的校准性。此外，我们通过适当的评分规则学习这种组合，这些规则固有地优化校准。基于可微分的核校准误差估计器，我们引入了一种非参数测试程序，并在合成和真实实验上展示了捕获实例级可变性的优势。</p>