La quantizzazione vettoriale migliora la calibrazione multiclasse nel ML
Un nuovo metodo di machine learning chiamato Divide et Calibra utilizza la quantizzazione vettoriale per migliorare la calibrazione multiclasse apprendendo mappe di calibrazione eterogenee nello spazio latente. L'approccio affronta le limitazioni dei metodi globali che assumono errori omogenei e dei metodi locali che soffrono di perdita di informazioni durante la riduzione della dimensionalità. Costruisce mappe di calibrazione specifiche per regione a partire da fattori dipendenti da codeword condivisi, utilizzando la quantizzazione vettoriale per partizionare lo spazio di rappresentazione e una parametrizzazione indicizzata delle concentrazioni di Dirichlet per la condivisione dei parametri. Esperimenti su dataset di riferimento mostrano miglioramenti significativi nella calibrazione locale, specialmente in regioni sparse. L'articolo è disponibile su arXiv con ID 2605.21060.
Fatti principali
- Il metodo si chiama Divide et Calibra.
- Utilizza la Quantizzazione Vettoriale (VQ) per partizionare lo spazio di rappresentazione.
- Impiega una parametrizzazione indicizzata delle concentrazioni di Dirichlet.
- L'approccio apprende mappe di calibrazione eterogenee.
- Gli esperimenti mostrano miglioramenti nella calibrazione locale su dataset di riferimento.
- L'articolo è pubblicato su arXiv con ID 2605.21060.
- Il metodo affronta le sfide della calibrazione multiclasse.
- Generalizza bene a regioni sparse dello spazio latente.
Entità
Istituzioni
- arXiv