基于邻域平滑的神经网络训练期校准方法

针对现代神经网络容易过度自信的失准问题，研究提出将图平滑作为训练期校准的通用原则，通过惩罚表征空间中相邻样本预测分布的 Jensen-Shannon 散度来提升校准效果。实验表明，该方法与事后校准互补，在结合温度缩放后，于 8 个图像与表格基准设置中的 7 个取得了最低的 NLL。