arXiv ID:
2603.08495
通过去校准实现高效的置信预测 / Efficient Credal Prediction through Decalibration
1️⃣ 一句话总结
这篇论文提出了一种名为“去校准”的高效方法,能够为机器学习模型(如大型基础模型)快速生成表示认知不确定性的概率区间,从而在保持性能的同时大幅降低计算成本。
通过去校准实现高效的置信预测 / Efficient Credal Prediction through Decalibration
这篇论文提出了一种名为“去校准”的高效方法,能够为机器学习模型(如大型基础模型)快速生成表示认知不确定性的概率区间,从而在保持性能的同时大幅降低计算成本。
通过分布鲁棒优化学习可信集合 / Learning Credal Ensembles via Distributionally Robust Optimization
这篇论文提出了一种名为CreDRO的新方法,通过训练一组在不同数据分布假设下的模型来更全面地评估预测中的认知不确定性,从而在数据分布发生变化时(例如医疗应用或异常检测中)获得更可靠、更鲁棒的预测结果。
量化共形预测中的认知预测不确定性 / Quantifying Epistemic Predictive Uncertainty in Conformal Prediction
这篇论文提出了一种在共形预测框架下,高效量化因存在多个合理预测模型而产生的认知不确定性的新方法,该方法比单纯依赖预测区间大小能提供更精细、更有信息量的不确定性评估,有助于在模型不确定时做出更可靠的决策。
关于大视觉语言模型中物体幻觉的视觉标记认知不确定性研究 / On Epistemic Uncertainty of Visual Tokens for Object Hallucinations in Large Vision-Language Models
这项研究发现大视觉语言模型产生物体幻觉的关键原因是视觉编码器中存在高不确定性的视觉标记,并提出了一种通过识别并屏蔽这些不确定标记来有效减少幻觉的简单方法。
请先 登录 后再提交论文