PulseAugur
中
实时 09:56:22
English(EN) Ordinal-Aware Calibration for Ordinal Classification

新的ORCU损失统一了深度神经网络的校准和单峰性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种名为序数校准和单峰性损失（ORCU）的新方法，以解决深度神经网络中过度自信和校准不准确的预测问题，特别是在序数分类任务中。ORCU将距离感知软编码与序数感知对数障碍扩展相结合，旨在提高置信度校准，同时不牺牲准确性或需要架构更改。ORCU在四个基准测试中进行了测试，据报道在校准方面取得了最先进的成果，并为评估该领域的损失函数建立了一个新的可复现基准。 AI

影响 这项研究提供了一种新方法来提高深度学习模型在序数分类任务中的可靠性和准确性。

排序理由 这是一篇详细介绍改进深度神经网络预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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ORCU损失统一了深度神经网络的校准和单峰性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Daehwan Kim, Haejun Chung, Ikbeom Jang ·

    Ordinal-Aware Calibration for Ordinal Classification

    arXiv:2410.15658v4 Announce Type: replace Abstract: Deep neural networks frequently produce overconfident, miscalibrated predictions. In ordinal classification, predictions must also adhere to a unimodal and order-consistent structure, a requirement that has dominated prior work …

相关实体

相关话题