لقد حققت التعلم العميق للقياسات تطورًا واعدًا في السنوات الأخيرة بفضل نجاح التعلم العميق. وقد تم تطبيقه بنجاح على مشكلات التعلم القليل (few-shot learning)، واسترجاع الصور، والتصنيف المفتوح (open-set classification). ومع ذلك، لا يزال قياس درجة الثقة في نموذج التعلم العميق للقياسات وتحديد التنبؤات غير الموثوقة تحديًا مفتوحًا. تركز هذه الورقة على تعريف مقياس ثقة مُحدَّث وقابل للتفسير، يعكس بدقة عالية دقة التصنيف. وعند إجراء مقارنة التشابه مباشرة في الفضاء الخفي باستخدام المقاييس المسافة المستخلصة، فإن نهجنا يقرب توزيع نقاط البيانات لكل فئة باستخدام دالة تمهيد جاوسية (Gaussian kernel smoothing). ويُحسّن الخوارزمية ما بعد المعالجة المُحدَّثة مع مقياس الثقة المقترح على مجموعة التحقق المُحفوظة (held-out validation dataset) من تعميم النماذج الحديثة المتطورة في التعلم العميق للقياسات، ويزيد من مرونتها وثباتها، مع توفير تقدير مفهوم وقابل للتفسير لدرجة الثقة. وأظهرت الاختبارات الواسعة على أربع مجموعات بيانات معيارية شهيرة (Caltech-UCSD Birds، Stanford Online Product، Stanford Car-196، وIn-shop Clothes Retrieval) تحسينات متسقة، حتى في ظل تغيرات التوزيع في بيانات الاختبار الناتجة عن إضافة ضوضاء أو أمثلة عدائية.