Buchumschlag

DATS: Distance-Aware Temperature Scaling for Calibrated Class-Incremental Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Serra, Giuseppe, Buettner, Florian
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

T-CIL: Temperature Scaling using Adversarial Perturbation for Calibration in Class-Incremental Learning
von: Hwang, Seong-Hyeon, et al.
Veröffentlicht: (2025)

Better Uncertainty Calibration via Proper Scores for Classification and Beyond
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2022)

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)

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

Advancing Analytic Class-Incremental Learning through Vision-Language Calibration
von: Zhao, Binyu, et al.
Veröffentlicht: (2026)

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

Confidence Self-Calibration for Multi-Label Class-Incremental Learning
von: Du, Kaile, et al.
Veröffentlicht: (2024)

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

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

TAAM:Inductive Graph-Class Incremental Learning with Task-Aware Adaptive Modulation
von: Liu, Jingtao, et al.
Veröffentlicht: (2026)

Towards Realistic Class-Incremental Learning with Free-Flow Increments
von: Xu, Zhiming, et al.
Veröffentlicht: (2026)

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

Annotation-Free Class-Incremental Learning
von: Kuchibhotla, Hari Chandana, et al.
Veröffentlicht: (2025)

Class Incremental Learning for Algorithm Selection
von: Nemeth, Mate Botond, et al.
Veröffentlicht: (2025)

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

When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning
von: Zhang, Zheng, et al.
Veröffentlicht: (2026)

Balancing the Causal Effects in Class-Incremental Learning
von: Zheng, Junhao, et al.
Veröffentlicht: (2024)

WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling
von: Li, Xiaoyang, et al.
Veröffentlicht: (2025)

Federated Class-Incremental Learning with New-Class Augmented Self-Distillation
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2024)

Autoencoder-Based Hybrid Replay for Class-Incremental Learning
von: Nori, Milad Khademi, et al.
Veröffentlicht: (2025)

Inductive Graph Few-shot Class Incremental Learning
von: Li, Yayong, et al.
Veröffentlicht: (2024)

Federated Class-Incremental Learning with Hierarchical Generative Prototypes
von: Salami, Riccardo, et al.
Veröffentlicht: (2024)

Structured Matrix Scaling for Multi-Class Calibration
von: Berta, Eugène, et al.
Veröffentlicht: (2025)

Cross-Class Feature Augmentation for Class Incremental Learning
von: Kim, Taehoon, et al.
Veröffentlicht: (2023)

Reducing Class-wise Confusion for Incremental Learning with Disentangled Manifolds
von: Chen, Huitong, et al.
Veröffentlicht: (2025)

Constructing Enhanced Mutual Information for Online Class-Incremental Learning
von: Zhang, Huan, et al.
Veröffentlicht: (2024)

Consistency-Driven Calibration and Matching for Few-Shot Class-Incremental Learning
von: Wang, Qinzhe, et al.
Veröffentlicht: (2025)

Future-Proofing Class-Incremental Learning
von: Jodelet, Quentin, et al.
Veröffentlicht: (2024)

Class-Incremental Learning: A Survey
von: Zhou, Da-Wei, et al.
Veröffentlicht: (2023)

Improving Multi-Class Calibration through Normalization-Aware Isotonic Techniques
von: Arad, Alon, et al.
Veröffentlicht: (2025)

Closing the Oracle Gap: Increment Vector Transformation for Class Incremental Learning
von: Qiu, Zihuan, et al.
Veröffentlicht: (2025)

Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective
von: Cha, Sungmin, et al.
Veröffentlicht: (2022)

Non-Contrastive Vision-Language Learning with Predictive Embedding Alignment
von: Kuhn, Lukas, et al.
Veröffentlicht: (2026)

Grow, Assess, Compress: Adaptive Backbone Scaling for Memory-Efficient Class Incremental Learning
von: Garcia-Castañeda, Adrian, et al.
Veröffentlicht: (2026)

An experimental approach on Few Shot Class Incremental Learning
von: Adam, Marinela
Veröffentlicht: (2025)

Fair Class-Incremental Learning using Sample Weighting
von: Park, Jaeyoung, et al.
Veröffentlicht: (2024)