论文提出MT-CC：类增量学习的多组温度缩放校准框架
热点事件观察中
论文提出MT-CC：类增量学习的多组温度缩放校准框架
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Sungjun Yun、Yonghee Choi、Dong-Jun Han 在 arXiv 发布论文，提出MT-CC，一种面向类别增量学习（CIL）的后验校准框架。针对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问题，方法通过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，为各组设置多组温度参数，并加入GDCA正则化促进组内一致性。 摘要称实验表明该方法在保持准确率的同时显著改善校准性能，但论文摘要未提供具体实验细节、基线或数值结果（基于论文摘要，未核验全文）。
AI 根据报道生成 · 2 天前更新
最新进展10月20日 12:00
MT-CC：用于类别增量学习非对称校准行为的多组温度缩放报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AIMT-CC：用于类别增量学习非对称校准行为的多组温度缩放
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。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- -49%
0246
06:0012:0018:0010月22日06:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。