Temperature Scaling
Temperature Scaling是一种模型后处理校准技术，通过对模型输出的logits除以一个温度参数来调整概率分布，使其更接近真实频率，且不改变模型预测的排序顺序。
核心事实
时间轴 (近 90 天)
Temperature Scaling、Platt Scaling等后处理方法可在不改变模型预测排序的前提下重新调整输出概率分布
常见的后校准技术包括温度缩放（Temperature Scaling）、Platt Scaling 和等渗回归（Isotonic Regression），通过在独立验证集上拟合修正函数将原始输出重新映射为更可靠的概率估计而无需重新训练模型
置信度校准方法包括 Platt Scaling、Temperature Scaling 等后处理技术
改善校准的技术手段包括温度缩放和等频校准等后处理方法
概率校准是指将模型输出的预测分数转化为真实概率估计的后处理技术，常用方法包括 Platt Scaling 和 Isotonic Regression
全部知识事实 (6)
概率校准是指将模型输出的预测分数转化为真实概率估计的后处理技术，常用方法包括 Platt Scaling 和 Isotonic Regression
65%已验证温度缩放通过在softmax前除以学习到的温度参数T来软化预测分布，但对LLM的适用性受限于输出的非结构化特性
65%待验证常见的后校准技术包括温度缩放（Temperature Scaling）、Platt Scaling 和等渗回归（Isotonic Regression），通过在独立验证集上拟合修正函数将原始输出重新映射为更可靠的概率估计而无需重新训练模型
70%待验证Temperature Scaling、Platt Scaling等后处理方法可在不改变模型预测排序的前提下重新调整输出概率分布
50%待验证置信度校准方法包括 Platt Scaling、Temperature Scaling 等后处理技术
50%待验证改善校准的技术手段包括温度缩放和等频校准等后处理方法
50%