概念Temperature Scaling
温度缩放
温度缩放是一种神经网络后校准技术，通过在验证集上学习一个温度参数对模型输出的logits进行缩放，从而改善概率估计的校准性，无需重新训练模型
时间轴 (近 90 天)
9月29日
温度缩放通过在softmax之前将logit值除以可学习的标量参数T来校准模型，T大于1软化概率分布，T小于1使分布更尖锐，无需重新训练主模型
待验证50%
9月18日
置信度校准的工程缓解手段包括温度缩放对logprobs后校准、引入独立验证模型打分、或通过多次采样统计结果一致性
待验证50%
9月16日
实践中常用温度缩放、Platt scaling等后处理方法对置信度进行重新校准
待验证50%
9月11日
解决模型校准不良的技术手段包括温度缩放、Platt Scaling等后处理校准方法，以及贝叶斯神经网络、MC Dropout等不确定性估计技术
待验证50%