论文 · 资源记录
On Calibration of Modern Neural Networks
系统测量现代神经网络的置信度失配，并比较后处理校准方法。
作者：Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger年份：2017出版信息：Proceedings of the 34th International Conference on Machine Learning元数据：完整链接核验于 2026-07-14
为什么重要
用于核对可靠性图、期望校准误差与温度缩放的定义和实验范围。
阅读前提
教材中的引用位置
- A13 · 第 3 章 校准、分布外检测与选择性预测
支持的主张：Guo 等的校准论文用于核对可靠性图、ECE、温度缩放及现代神经网络过度置信的实验观察；《Deep Learning》用于核对概率输出、交叉熵、泛化和分布假设。本章据此把同分布后处理校准与分布外检测分开，温度缩放不被描述为 OOD 保证。
- A13 · 第 6 章 安全评测、系统边界与治理综合复习
支持的主张：NIST AI RMF 1.0 用于核对治理、测量、管理和持续监测框架；SHAP 论文用于核对特征归因的能力与非因果边界；校准论文用于核对可靠性图和温度缩放；对抗样本论文用于核对 FGSM 与局部扰动风险。四项来源分别支持治理、解释、概率可靠性和鲁棒性检查，本章不把任一单项指标当作总体安全证明。