PulseAugur
中
实时 05:53:20
English(EN) Beyond Static Costs: Learning-Dynamics Aware Loss Functions for Long-Tailed Classification

新的LDAL损失函数改进了深度学习在不平衡数据集上的表现

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为学习动态感知损失（LDAL）的新损失函数，以解决在长尾数据集上训练深度学习模型所面临的挑战。与使用静态类别频率的现有方法不同，LDAL根据模型的学习进度动态调整类别权重。它考虑了学习到的特征强度、通过预测熵衡量的每个类别的内在难度以及一个跨epoch正则化器来稳定训练。该目标函数增加了最小的计算开销，并在实验中显示出比最先进的重加权损失函数有显著的改进。 AI

影响 提高了模型在具有稀有类别的上的性能，这对于医学成像和故障检测等实际应用至关重要。

排序理由 详细介绍新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LDAL损失函数改进了深度学习在不平衡数据集上的表现

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Varad Shinde, Nikhil Kumar Shrey, Magesh Rajasekaran, Md Saiful Islam Sajol, Harshil Bhargava, Subhajit Sidanta, Supratik Mukhopadhyay, Yimin Zhu ·

    超越静态成本：面向长尾分类的学习动态感知损失函数

    arXiv:2607.25830v1 Announce Type: new Abstract: Deep learning models in computer vision face significant challenges when trained on long-tailed datasets, where a few majority classes dominate while many minority classes are severely underrepresented. Such imbalances frequently ar…

相关实体

相关话题