详细内容或原文请订阅后点击阅览
决策的高效校准
完美校准的决策理论特征是，寻求最小化期望的适当损失的代理无法通过后处理完美校准的预测器来改善其结果。 Hu 和 Wu (FOCS’24) 使用它来定义称为校准决策损失 (CDL) 的近似校准测量，它测量任何后处理相对于任何适当损失可实现的最大改进。不幸的是，事实证明，由于对预测和标签的黑盒访问，CDL 在离线环境中甚至很难进行弱近似。我们建议绕过这个......
来源:Apple机器学习研究完美校准的决策理论特征是，寻求最小化期望的适当损失的代理无法通过后处理完美校准的预测器来改善其结果。 Hu 和 Wu (FOCS’24) 使用它来定义称为校准决策损失 (CDL) 的近似校准测量，它测量任何后处理相对于任何适当损失可实现的最大改进。不幸的是，事实证明，由于对预测和标签的黑盒访问，CDL 在离线环境中甚至很难进行弱近似。我们建议通过限制对后处理函数 K 的结构化族的关注来避免这一点。我们定义了相对于 K 的校准决策损失，表示为 CDL，其中我们考虑所有适当的损失，但将后处理限制为结构化族 K。我们开发了一种关于 CDL 何时在信息理论上和计算上易于处理的综合理论，并用它来证明自然类 K 的上限和下界。除了向决策校准理论引入新的定义和算法技术之外，我们的结果还为机器学习中一些广泛使用的重新校准程序。