Migliorare l'affidabilità delle DNN tramite raffinamento e calibrazione

Un nuovo preprint arXiv (2605.23249) affronta l'inaffidabilità delle stime di confidenza nelle reti neurali profonde (DNN), che può minare la fiducia degli utenti. Mentre la calibrazione—allineare la confidenza prevista con la correttezza effettiva—è stata un punto focale, gli autori notano che i metodi di calibrazione post-hoc spesso riducono il raffinamento (nitidezza), ovvero la capacità di assegnare punteggi di confidenza distinti a previsioni corrette rispetto a quelle errate. Propongono un metodo per migliorare sia la calibrazione che il raffinamento, puntando a DNN più affidabili senza sacrificare l'accuratezza predittiva.