研究人员开发了一种新的神经网络训练方法，该方法对标记数据中的错误具有更强的鲁棒性。这种称为损失函数对称化的方法，在理论上保证了在处理噪声标签时具有更好的性能。该研究介绍了特定的多类损失函数，包括SGCE和alpha-MAE，它们在现有方法之间进行插值，并提供平滑度控制，在基准测试中显示出有竞争力的结果。 AI
影响 引入了一种新技术，以提高在不完美数据集上训练的机器学习模型的可靠性。
排序理由 该集群包含一篇详细介绍神经网络训练新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.20347v1 Announce Type: cross Abstract: Labeling a training set is often expensive and susceptible to errors, making the design of robust loss functions for label noise an important problem. The symmetry condition provides theoretical guarantees for robustness to such n…
Labeling a training set is often expensive and susceptible to errors, making the design of robust loss functions for label noise an important problem. The symmetry condition provides theoretical guarantees for robustness to such noise. In this work, we study a symmetrization meth…