Rettifica del Gradiente Sensibile alla Frequenza per una Calibrazione Robusta del Modello

Un nuovo framework di addestramento chiamato Frequency-aware Gradient Rectification (FGR) affronta la sfida di mantenere stime di confidenza affidabili nelle reti neurali profonde quando vengono implementate in scenari reali in cui si verificano cambiamenti di distribuzione. I metodi di calibrazione esistenti spesso richiedono l'accesso ai domini target, limitando la loro praticità. FGR è indipendente dal target, utilizzando un filtraggio passa-basso su un sottoinsieme di immagini di addestramento per ridurre le spurie cue ad alta frequenza e promuovere l'apprendimento di caratteristiche invarianti rispetto al dominio. Per prevenire il degrado della calibrazione in-distribution dovuto alla perdita di informazioni, FGR tratta la calibrazione ID come un vincolo rigido e risolve gli aggiornamenti dei parametri in conflitto tramite proiezione geometrica. L'approccio è dettagliato in arXiv:2508.19830v2.