モデルキャリブレーション

モデルキャリブレーションは、訓練済み分類器の確率出力を調整して、予測された信頼度スコアが経験的な結果頻度と一致するようにする事後技術である。分類器は、信頼度pでなされたすべての予測のうち、ちょうどpの割合が正しい場合に、完全にキャリブレートされていると言われる。現代の深層ニューラルネットワークの体系的な不正確さは、Guoら（2017）によって厳密に文書化されており、標準的なクロスエントロピー損失で訓練されたネットワークは過度に確信的になる傾向があることを示し、温度スケーリングをシンプルで効果的な治療法として提案した。