Naukowcy opracowali Confidence Score, nową miarę do oceny jakości jąder w problemach klasyfikacji, która okazuje się bardziej precyzyjna niż dotychczasowe podejścia w przewidywaniu dokładności klasyfikatorów. Zamiast wymagać, by jądra traktowały wszystkie próbki z tej samej klasy jako podobne, nowa miara pozwala zachować wewnętrzną strukturę w obrębie klas, co jest istotne w rzeczywistych problemach, gdzie klasy mogą wykazywać złożoną morfologię.
Miary jąder tradycyjnie służą do dostrajania hiperparametrów, wyboru między kandydatami i oceny przydatności jąder dla konkretnych zadań. Istniejące podejścia, takie jak wyrównanie do idealnego jądra, były zbyt restrykcyjne - nakładały sztywny wymóg, że wszystkie próbki tej samej klasy muszą być blisko siebie w przestrzeni reprezentacji. Confidence Score działuje inaczej - mierzy wyrównanie między kodowaniem prawdy gruntowej a tą samą prawdą gruntową rzutowaną przez jądro, co daje większą elastyczność.
Według eksperymentów przeprowadzonych na rzeczywistych i syntetycznych zbiorach danych, Confidence Score wykazuje wyższą korelację z rzeczywistą dokładnością klasyfikacji w porównaniu z innymi znanych miarami. To może znacząco ułatwić inżynierom wybór optymalnych jąder dla swoich problemów bez konieczności czasochłonnego trenowania pełnych modeli.