基于分位数的SGD新方法增强了优化中的异常值鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

研究人员推出了一种新颖的鲁棒优化框架——Quantile-k-Loss SGD (QkL-SGD)，用于处理损坏数据场景。该方法对多个分量损失进行采样，并使用基于分位数的选择进行更新，在特定条件下提供了理论上的线性收敛性。在各种回归任务上的实验结果表明，QkL-SGD，特别是使用中间分位数时，通过提供更具信息量的更新并避免min-k-loss方法中出现的停滞问题，其性能优于标准SGD和min-k-loss方法。 AI

影响引入了一种新的优化技术，可以提高在嘈杂数据集上训练的机器学习模型的性能和可靠性。

排序理由该集群包含一篇详细介绍机器学习新优化方法的 ist 研究论文。[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 →

本文如何被排名

Signal score: 30 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍机器学习新优化方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jamie Haddock, Anna Ma, Elizaveta Rebrova · 2026-09-14 04:00

基于分位数的损失过滤用于离群值鲁棒的随机梯度下降

arXiv:2609.13040v1 Announce Type: new Abstract: We study loss-based filtering for finite-sum optimization with a subset of corrupted component functions whose gradients may be highly unreliable. Motivated by minimum-loss-based SGD (min-$k$-loss) and quantile-based methods for cor…

本文如何被排名

报道来源 [1]

基于分位数的损失过滤用于离群值鲁棒的随机梯度下降

相关实体

相关话题