概述
校准意味着模型规定的概率与现实相符：当它说 70% 时，该事件应该在大约 70% 的情况下发生。这很重要，因为准确的信心可以推动医学、金融和风险敏感型人工智能领域的良好决策。
概率校准是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
模型可能很准确，但校准很差。现代深度网络因过度自信而臭名昭著，其输出 99% 的预测正确率要低得多。校准通过按置信度对预测进行分桶并检查每个桶中观察到的频率来对此进行审核。可靠性图绘制了预测与实际情况；完美校准的模型位于对角线上。预期校准误差 (ECE) 将差距总结为各箱的加权平均值。修复有两种形式：事后方法，如 Platt 缩放（拟合逻辑变换）、温度缩放（用学习的标量 T 除 logits）和等渗回归（单调逐步拟合）；以及训练时方法，例如标签平滑或适当的评分损失。校准和准确性是不同的目标，改进其中一个目标并不需要改进另一个目标。
技术洞察
温度缩放是神经网络的主力：将 softmax 之前的 logits 除以单个学习温度 T，然后重新进行 softmax。 T > 1 会软化过度自信的分布，T < 1 会锐化它们。至关重要的是，T 适合验证数据，以最大限度地减少负对数似然，并且永远不会改变哪个类别获胜，因此准确性不会受到影响，而概率会变得诚实。它的单一参数使其数据高效并且几乎不可能过度拟合。
掌握概率校准
校准意味着模型规定的概率与现实相符：当它说 70% 时，该事件应该在大约 70% 的情况下发生。这很重要，因为准确的信心可以推动医学、金融和风险敏感型人工智能领域的良好决策。概率校准是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将概率校准视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用概率校准根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
气象服务可确保预测降雨量为 30% 的日子里，实际有 30% 的时间会下雨，这是教科书的校准目标。
信用违约模型是有温度尺度的，因此规定的 5% 违约风险确实对应于定价贷款的 5% 历史违约率。
医疗诊断网络通过等渗回归重新校准，因此“疾病的高概率”反映了临床医生采取行动之前的真实发病率。
自动驾驶感知堆栈可校准对象检测置信度，因此规划模块会适当信任 90% 的行人得分。
实施模式
实践中的概率校准
气象服务可确保预测降雨量为 30% 的日子里，实际有 30% 的时间会下雨，这是教科书的校准目标。
气象服务可确保预测降雨量为 30% 的日子实际上有 30% 的时间会下雨，这是教科书校准目标。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的概率校准
信用违约模型是有温度尺度的，因此规定的 5% 违约风险确实对应于定价贷款的 5% 历史违约率。
信用违约模型是有温度范围的，因此规定的 5% 违约风险确实对应于定价贷款的 5% 历史违约率。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会得到更好的结果。
实践中的概率校准
医疗诊断网络通过等渗回归重新校准，因此“疾病的高概率”反映了临床医生采取行动之前的真实发病率。
医疗诊断网络通过等渗回归进行重新校准，因此“疾病的高概率”反映了临床医生采取行动之前的真实发病率。当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的概率校准
自动驾驶感知堆栈可校准对象检测置信度，因此规划模块会适当信任 90% 的行人得分。
自动驾驶感知堆栈可校准对象检测置信度，因此规划模块会适当信任 90% 的行人得分。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。