十篇顶会精通置信度校准，助力可信+Ai应用

📚【推荐】：
[1] Obtaining well calibrated probabilities using bayesian binning. 2015年发表, 提出贝叶斯分箱校准方法，将置信度分箱与贝叶斯统计进行结合。

[2] On calibration of modern neural networks. 2017年发表，提出温度放缩校准方法，因简单有效被广泛应用。

[3] Beyond temperature scaling: Obtaining well-calibrated multi-class probabilities with dirichlet calibration. 2019年发表，提出class-wise calibration的概念，并提出Dirichlet calibration.

[4] Mix-n-Match: Ensemble and Compositional Methods for Uncertainty Calibration in Deep Learning. 2020年发表的，研究canonical calibration，提出mix-n-match校准策略，并提出基于KDE的calibration metric.

[5] Verified uncertainty calibration. 2019年发表的，提出scaling-binning 校准方法，并从理论上证明了Debiased estimator(即ECE_Debiased)的准确性。

[6] Calibration of neural networks using splines.2020年发表的，提出基于Kolmogorov-Smirnov statistical test的calibration metric (KS-error)，并提出基于spline-fitting的校准方法。

[7] Mitigating bias in calibration error estimation. 2022年发表的，提出了ECE_sweep，并且为calibration metrics 的对比提供了具有参考性的模拟实验。

[8] A unifying theory of distance from calibration. 2023年发表的，为校准误差的度量提供了统一的理论框架，名为consistent calibration measure.

[9] Smooth ECE: Principled reliability diagrams via kernel smoothing. 2024年发表，提出了Smooth ECE，并证明了其是一个consistent calibration measure.

[10] Combining Priors with Experience: Confidence Calibration Based on Binomial Process Modeling. 2025年发表，提出结合置信度背后先验分布的校准方法和校准指标，并提出一种采用预定义的真实校准曲线合成校准数据的方法，可用于对比calibration metrics的优劣。