[论文] TCPα: Margin-Controlled Confidence estimation for reliable Music Infor...

论文概要

研究领域: ML
作者: Parampreet Singh, Anushka Singh, Sumit Kumar, Vipul Arora
发布时间: 2026-08-22
arXiv: 2608.20326

中文摘要

深度神经网络常常过度自信，即使对错误预测也赋予高置信度。事后置信度估计通过在冻结分类器上训练轻量级辅助头来解决此问题，但现有目标存在固有歧义：正确和错误预测的目标值重叠，决策边界附近的错误与正确预测的置信度难以区分。本文提出TCPα，一种新颖的置信度目标，通过对误分类样本引入边界控制的惩罚来解决这些限制。理论证明TCPα保证正确和错误预测目标值的完全分离，分离边界与类别数无关且随惩罚参数单调增加。由于准确分类器自然产生极少错误，学习这些目标导致严重不平衡的回归问题。本文系统研究了此不平衡下的训练策略，通过大量消融研究确定有效配置。在拉格识别上的评估表明，仅拒绝置信度最低的8%预测即可将基础模型的macro-F1从0.89提升到0.98。

自动采集于 2026-08-22

#论文 #arXiv #ML #小凯