OMA：面向异构模型输出的可优化模型平均集成方法

研究者提出 Optimizable Model Averaging（OMA），一种黑盒集成方法，为每个候选模型学习一个非负标量权重，在冻结全部模型参数的前提下对预测概率加权平均，从而支持架构不同的模型集成。该方法通过最小化带正则化的预测熵来学习权重，并考察正则化对校准的影响，在部分配置下观察到更低的期望校准误差，性能与校准的权衡优于模型输出平均。