论文提出双层 Stackelberg 联合训练准确与校准的神经网络

Nektarios Kalampalikis 等作者发布论文摘要，提出用双层 Stackelberg 公式将标准后验校准器与骨干网络端到端联合训练，同时优化准确性与校准性。据摘要称，该方法通过交叉熵联合优化，无需独立校准集或专用校准损失，仅新增一个超参数（校准器学习率）。 在所支持的 temperature、matrix scaling 和神经网络层校准器中，摘要称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；作者称该方法以极小的额外复杂度优于 SOTA 校准器，并在多任务学习等场景避免独立校准组件的乘性开销。以上结果为论文摘要声称，本站未核验全文。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。