研究人员开发并评估了三个新颖的多类别分类目标：一个类别感知的二次Bregman得分（CAPM）、一个具有约束log-cosh脊的强凸生成器（HPG），以及一个具有退火概率边际惩罚（APMS）的HPG目标。该研究提供了理论分析，包括CAPM和HPG的条件遗憾和曲率界，以及APMS的精确惩罚范围界。在Digits和Wisconsin乳腺癌等数据集上，在各种噪声和不平衡条件下进行的经验评估表明，这些方法在干净数据上的性能与交叉熵相当，并在某些噪声标签场景中显示出边际收益，尽管未确立普遍的优越性。 AI
影响 引入了可能提高分类在噪声环境中鲁棒性的新颖损失函数。
排序理由 学术论文，详细介绍了新机器学习目标的理论分析和经验评估。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
