匿名节选
视觉模型在类别长尾下的校准
Artificial Intelligence · 实验报告 · 硕士 · 1,900 词
Artificial Intelligence实验报告硕士
节选在证明什么
在长尾图像分类中，温度缩放到验证集整体最优时，尾类仍然过度自信。按类频分段校准后，ECE 下降，但头类准确率略损。
这说明“一个温度”预设并不适合课程项目里常见的不平衡设定。学生初稿只写了 ECE 下降，辅导要求把头类代价写进同一句。
这避免了“我们用了 temperature scaling，所以模型更可靠”的空话。设置、分段和代价必须同时出现。
可视化 saliency 没有被当作因果证据。错误案例按尾类混淆归档。节选是讨论逻辑，不是完整训练代码。
适合谁
面向硕士视觉实验报告：长尾类别下，温度缩放到验证集整体最优时，尾类仍然过度自信。适合把校准当成最后一段装饰的同学。
覆盖什么
- ECE 要和尾类准确率一起报告
- 一个温度预设不适合不平衡设定
- 按类频分段校准后的权衡要写出来
- 头类略损可以是可接受代价，不能藏
- saliency 图不是因果证据
怎么进行
- 01先做数据统计：每类张数、尺寸、噪声。没有这张表，校准段没有对象。
- 02整体温度缩放作为基线。再按类频分段。
- 03同时报告 ECE 下降和头类准确率略损。接受权衡，而不是只展示下降的那一列。
- 04错误案例按尾类混淆归档，不用随机漂亮图。
在 CS / SE / AI 里怎么落地
Artificial Intelligence
视觉课实验报告常把校准当装饰。设置、分段和代价必须同时出现。
Computer Science
若 CS 课也交分类实验，同样不要只用 overall accuracy。
Software Engineering
部署文档若声称“模型更可靠”，也要写清校准协议和代价。
辅导焦点（可迁移的方法）
- 校准与尾类一起报
- 写出头类代价
- 不要用 saliency 代替误差分析
节选经过改写与匿名处理，不是学生提交原文，也不作为代写样本出售。对应学科见课程树。
这一页常被问到的
课程没要求校准怎么办？
不要硬加。此例适用于评分含 calibration 或 uncertainty 的作业。
没有尾类标签怎么办？
用课程数据的频次分段，并声明分段方式。不要发明不存在的稀有类。