待验证85% 置信事实时间未知

MixupMP在多个图像分类数据集上，在校准误差和分布外检测指标上优于标准深度集成、MC Dropout和变分推断等方法

1

来源数

85%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

MixupMP：数据增强如何修复深度集成的不确定性量化缺陷

rss

涉及实体

MixupMPconcept Deep Ensemblesconcept MC Dropoutconcept

相关事实

待验证MixupMP在分类准确率上与最佳基线方法持平甚至更优76% 相似待验证持续学习领域主流评估基准包括Split-CIFAR、Permuted-MNIST、Split-ImageNet，均将标准分类数据集人为切分为顺序任务流69% 相似待验证CLIP的训练使用了InfoNCE对比损失函数，模型需从N个图文对中正确识别匹配配对并推开不匹配配对67% 相似待验证MixupMP返回的样本来自一个隐式定义的贝叶斯后验分布67% 相似待验证Classifier-Free Guidance（CFG）采样技术在提高图像质量的同时会将输出推向数据分布的高密度区域，进一步加剧输出同质化67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1017

API

curl https://kongchang.com/api/v1/knowledge/claims/1017

MCP

get_claim(id=1017)