arXiv · cs.AI· Sungjun Yun, Yonghee Choi, Dong-Jun Han·· 2 天前
MT-CC：用于类别增量学习非对称校准行为的多组温度缩放
MT-CC: Multi-Group Temperature Scaling for Asymmetric Calibration Behavior in Class-Incremental Learning
arXiv:2610.25689v1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：Sungjun Yun, Yonghee Choi, Dong-Jun Han
研究任务与主要进展
作者提出MT-CC，一种面向类别增量学习的后验校准框架，通过多组温度参数处理置信度变化速度与准确率下降速度不一致导致的非对称校准。其方法是利用轻量分组网络，依据置信度统计和任务感知信号对样本分组，并加入GDCA正则化促进组内一致性。摘要报告该方法改善了校准性能并保持准确率，但未提供具体实验细节、基线或数值结果。
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