邻域平滑校准论文发布

2026年10月8日，arXiv 机器学习理论栏目发布论文《邻域平滑用于校准》。该论文提出将图平滑作为训练期校准的通用原则，鼓励表征空间中相邻样本具有相近的预测分布，并给出预测散度与局部置信度变化、逐点校准误差传播之间的界。作者据此设计基于图的正则项，惩罚相邻样本预测分布的 Jensen-Shannon 散度。在标准校准基准上，该方法提升预测质量，并与温度缩放等事后校准互补：在八个图像与表格设置中的七个里，温度缩放后取得所有评估训练期方法中最低 NLL。目前未见后续报道或同行评议信息。

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。