arXiv · cs.AI· Nektarios Kalampalikis, Pablo M. Olmos, Isabel Valera·· 5 小时前
神经网络校准新方法：用双层 Stackelberg 联合优化准确性与校准性
Calibration in One Go: Jointly Learning Accurate and Calibrated Neural Networks
arXiv:2610.13693v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Nektarios Kalampalikis, Pablo M. Olmos, Isabel Valera
研究任务与主要进展
作者提出一种通过双层 Stackelberg 框架与骨干网络端到端联合训练后验校准器的方法，同时优化准确性与校准性。论文摘要称，该方法无需独立校准集或专用校准损失，仅增加校准器学习率这一超参数；在支持的 temperature、matrix scaling 和神经网络层中，使用最终分类层本身可获得准确且校准良好的模型，且不增加额外参数。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org