Buchumschlag

Better Uncertainty Calibration via Proper Scores for Classification and Beyond

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gruber, Sebastian G., Buettner, Florian
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Novel Framework for Uncertainty Quantification via Proper Scores for Classification and Beyond
von: Gruber, Sebastian G.
Veröffentlicht: (2025)

A Bias-Variance-Covariance Decomposition of Kernel Scores for Generative Models
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2023)

Disentangling Mean Embeddings for Better Diagnostics of Image Generators
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2024)

Federated Continual Learning Goes Online: Uncertainty-Aware Memory Management for Vision Tasks and Beyond
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

Beyond Overconfidence: Foundation Models Redefine Calibration in Deep Neural Networks
von: Hekler, Achim, et al.
Veröffentlicht: (2025)

Improving Perturbation-based Explanations by Understanding the Role of Uncertainty Calibration
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Why Uncertainty Calibration Matters for Reliable Perturbation-based Explanations
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

From Entropy to Calibrated Uncertainty: Training Language Models to Reason About Uncertainty
von: Jenane, Azza, et al.
Veröffentlicht: (2026)

Optimizing Estimators of Squared Calibration Errors in Classification
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2024)

DATS: Distance-Aware Temperature Scaling for Calibrated Class-Incremental Learning
von: Serra, Giuseppe, et al.
Veröffentlicht: (2025)

Fine-Grained Uncertainty Decomposition in Large Language Models: A Spectral Approach
von: Walha, Nassim, et al.
Veröffentlicht: (2025)

Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules
von: Hofman, Paul, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Regression using Proper Scoring Rules
von: Fishkov, Alexander, et al.
Veröffentlicht: (2025)

How to Leverage Predictive Uncertainty Estimates for Reducing Catastrophic Forgetting in Online Continual Learning
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

Evaluating Posterior Probabilities: Decision Theory, Proper Scoring Rules, and Calibration
von: Ferrer, Luciana, et al.
Veröffentlicht: (2024)

Beyond the Score: Uncertainty-Calibrated LLMs for Automated Essay Assessment
von: Karim, Ahmed, et al.
Veröffentlicht: (2025)

Uncertainty Quantification with Proper Scoring Rules: Adjusting Measures to Prediction Tasks
von: Hofman, Paul, et al.
Veröffentlicht: (2025)

Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention
von: Koebler, Alexander, et al.
Veröffentlicht: (2025)

MoRE-LLM: Mixture of Rule Experts Guided by a Large Language Model
von: Koebler, Alexander, et al.
Veröffentlicht: (2025)

Provably Better Explanations with Optimized Aggregation of Feature Attributions
von: Decker, Thomas, et al.
Veröffentlicht: (2024)

A Proper Scoring Rule for Virtual Staining
von: Tonks, Samuel, et al.
Veröffentlicht: (2026)

Mind the Gap: A Framework for Assessing Pitfalls in Multimodal Active Learning
von: Eisenhardt, Dustin, et al.
Veröffentlicht: (2026)

Language Generation with Strictly Proper Scoring Rules
von: Shao, Chenze, et al.
Veröffentlicht: (2024)

Improving Calibration by Relating Focal Loss, Temperature Scaling, and Properness
von: Komisarenko, Viacheslav, et al.
Veröffentlicht: (2024)

Pandora's Regret: A Proper Scoring Rule for Evaluating Sequential Search
von: Flores, Gerardo A., et al.
Veröffentlicht: (2026)

JUCAL: Jointly Calibrating Aleatoric and Epistemic Uncertainty in Classification Tasks
von: Heiss, Jakob, et al.
Veröffentlicht: (2026)

Machine Learning based Analysis for Radiomics Features Robustness in Real-World Deployment Scenarios
von: Khan, Sarmad Ahmad, et al.
Veröffentlicht: (2025)

Fair Decisions from Calibrated Scores: Achieving Optimal Classification While Satisfying Sufficiency
von: Benger, Etam, et al.
Veröffentlicht: (2026)

Distributional Regression with Tabular Foundation Models: Evaluating Probabilistic Predictions via Proper Scoring Rules
von: Landsgesell, Jonas, et al.
Veröffentlicht: (2026)

Understanding Aggregations of Proper Learners in Multiclass Classification
von: Asilis, Julian, et al.
Veröffentlicht: (2024)

Measuring Uncertainty Calibration
von: Ciosek, Kamil, et al.
Veröffentlicht: (2025)

Unified Uncertainty Calibration
von: Chaudhuri, Kamalika, et al.
Veröffentlicht: (2023)

Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks
von: Alberge, Julie, et al.
Veröffentlicht: (2024)

Conditional Forecasts and Proper Scoring Rules for Reliable and Accurate Performative Predictions
von: Boeken, Philip, et al.
Veröffentlicht: (2025)

Probabilistic Scores of Classifiers, Calibration is not Enough
von: Machado, Agathe Fernandes, et al.
Veröffentlicht: (2024)

Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction
von: Ma, Ziqi, et al.
Veröffentlicht: (2024)

Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification
von: Das, Soumojit, et al.
Veröffentlicht: (2025)

Generative Cross-Entropy: A Strictly Proper Loss for Data-Efficient Classification
von: Zhan, Qipeng, et al.
Veröffentlicht: (2026)

Calibrated Selective Classification
von: Fisch, Adam, et al.
Veröffentlicht: (2022)

Efficient Post-Hoc Uncertainty Calibration via Variance-Based Smoothing
von: Denoodt, Fabian, et al.
Veröffentlicht: (2025)