arXiv cs.AI· Cesare Barbera, Lorenzo Perini, Giovanni De Toni, Andrea Passerini, Andrea Pugnana·· 14 小时前AI 评分18
Divide et Calibra：基于向量量化的多类局部校准方法
Divide et Calibra: Multiclass Local Calibration via Vector Quantization
AI 导读
研究者提出 Divide et Calibra，一种基于向量量化（VQ）的多类校准方法，通过对表示空间做结构化划分并共享 Dirichlet 浓度参数，学习区域特定的异构校准映射。实验显示该方法在基准数据集上显著提升局部校准效果，同时保持有竞争力的全局校准与预测性能。论文已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：在高风险场景中，准确且校准良好的机器学习（ML）模型是必需的，然而有效的多类校准仍然具有挑战性：全局方法假设校准误差在潜在空间中是均匀的，而局部方法通常依赖表示空间的降维，丢弃了与校准不良相关的潜在方向。为了解决这些问题，我们提出了一种多类校准的组合方法，其中区域特定的校准映射由共享因子构建。我们通过向量量化（VQ）实例化这一想法，它诱导表示空间的结构化划分，以及 Dirichlet 浓度的索引参数化，从而实现跨区域的参数共享。我们的方法学习异构校准映射，即使在潜在空间的稀疏区域也能很好地泛化。在基准数据集上的实验表明，局部校准有显著改进，同时保持有竞争力的全局校准和预测性能。
| 评论： | 被第四十届神经信息处理系统年度会议（NeurIPS 2026）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| MSC 分类： | 68T05 |
| 引用为： | arXiv:2605.21060 [cs.LG] |
| （或 arXiv:2605.21060v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.21060 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Cesare Barbera [查看电子邮件]
[v1]
2026年5月20日星期三 11:44:55 UTC（3,612 KB）
[v2]
2026年10月26日星期一 17:35:25 UTC（3,768 KB）
来源：arXiv cs.AI · arxiv.org