Socrates Loss: Kalibrierung und Klassifikation vereint durch Unbekanntes

Deep‑Neural‑Netzwerke erzielen zwar beeindruckende Genauigkeiten, doch ihre Unsicherheits­schätzungen sind häufig schlecht kalibriert. Das erschwert den Einsatz in sicherheitskritischen Bereichen, weil die Modelle nicht zuverlässig angeben, wie sicher sie bei einer Vorhersage sind.

Aktuelle Kalibrierungs­ansätze stehen vor einem grundlegenden Kompromiss: Zwei‑Phasen‑Trainingsverfahren liefern starke Klassifikations­ergebnisse, sind aber instabil und führen zu schlechter Kalibrierung. Ein‑Loss‑Methoden dagegen sind stabil, aber ihre Klassifikations­leistung bleibt hinter den Erwartungen zurück.

Die vorliegende Arbeit präsentiert den „Socrates Loss“, einen einheitlichen Verlust, der Unsicherheit gezielt nutzt. Durch die Einführung einer zusätzlichen „Unbekannten“ Klasse, deren Vorhersagen den Verlust direkt beeinflussen, entsteht ein dynamisches Unsicherheits­penalty, das die Modell­anpassung steuert.

Dieses einheitliche Ziel ermöglicht es, Klassifikation und Kalibrierung gleichzeitig zu optimieren, ohne die Instabilität komplexer, zeitlich gesteuerter Verluste. Theoretische Analysen zeigen, dass der Ansatz das Modell reguliert, sodass Überanpassung und Fehlkalibrierung vermieden werden.

In umfangreichen Experimenten auf vier Benchmark‑Datensätzen und verschiedenen Architekturen demonstriert der Socrates Loss eine konsistente Verbesserung der Trainingsstabilität und ein günstigeres Verhältnis zwischen Genauigkeit und Kalibrierung. Oft konvergiert das Modell schneller als bei bestehenden Methoden.