本文介紹被機器學(xué)習(xí)頂級國際會議 AAAI 2023 接收的論文 《Improving Training and Inference of Face Recognition Models via Random Temperature Scaling》。論文創(chuàng)新性地從概率視角出發(fā)，對分類損失函數(shù)中的溫度調(diào)節(jié)參數(shù)和分類不確定度的內(nèi)在關(guān)系進(jìn)行分析，揭示了分類損失函數(shù)的溫度調(diào)節(jié)因子是服從 Gumbel 分布的不確定度變量的尺度系數(shù)。從而提出一個新的被叫做 RTS 的訓(xùn)練框架對特征抽取的可靠性進(jìn)行建模?；?RTS 訓(xùn)練框架來訓(xùn)練更可靠的識別模型，使訓(xùn)練過程更加穩(wěn)定，并在部署時提供一個對樣本不確定度的度量分值，以拒識高不確定的樣本，幫助建立更魯棒的視覺識別系統(tǒng)。大量的實驗表明 RTS 可以穩(wěn)定訓(xùn)練并輸出不確定度度量值來建立魯棒的視覺識別系統(tǒng)。