热点事件持续更新
研究提出基于图平滑的神经网络训练期校准方法
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
针对现代神经网络普遍存在的过度自信与预测失准问题，2026年10月8日 arXiv 发布的一项研究提出将图平滑作为训练期校准的通用原则。该方法通过惩罚表征空间中相邻样本预测分布的 Jensen-Shannon 散度，从而有效改善模型的校准效果。实验表明，该训练期校准方法与事后校准具备互补性；在结合温度缩放技术后，该方法在测试的 8 个图像与表格基准设置中，有 7 个均取得了最低的负对数似然（NLL）。
AI 根据报道生成 · 5 小时前更新
最新进展10月8日 12:00
研究提出通过图平滑惩罚相邻样本散度进行校准，在多项基准测试中显著降低了NLL。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv 机器学习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。
本事件热度走势
当前热度 9·可比范围峰值 10（10月8日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。