Toutes les news taguées avec ce sujet.
Une méthode qui adapte le seuil de risque à chaque entrée, plutôt qu'un seuil unique global, pour mieux calibrer les modèles prédictifs.
Un cadre d'inférence bayésienne par simulation pour calibrer les modèles rHeston, quantifier l'incertitude et expliquer les paramètres appris.
Des bornes d'erreur non asymptotiques pour la régression quantile conformalisée, avec des limites minimax exactes sous hypothèse de covariate shift connu.
Une méthode sans appel LLM supplémentaire prédit et réduit les réponses confiantes mais fausses dans les pipelines RAG multi-hop.
Une méthode par CNN 1D améliore l'identification d'émetteurs radio en présence de signaux qui se chevauchent, avec des garanties statistiques sur les faux négatifs.
Un nouvel algorithme couple calibration du modèle enseignant et apprentissage de l'élève pour limiter la propagation d'erreurs lors du transfert de compétences.
Une méthode de calibration adaptée aux séquences pour garantir des estimations d'incertitude fiables chez les agents de navigation VLN.
Des chercheurs proposent le rankECE, une alternative à l'Expected Calibration Error pour évaluer la fiabilité des probabilités prédites.