新的损失函数可加速监督学习中的神经坍塌

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-22 04:00

研究人员引入了新的方法NTCE和NONL，通过更有效地实现神经坍塌（NC）来改进监督分类。这些技术解决了现有范式（如交叉熵和监督对比学习）的局限性。通过将监督学习视为超球体上的原型学习，新的损失函数能够更快地收敛到NC，并在迁移学习和鲁棒性方面取得显著改进，尤其是在类别不平衡的情况下。 AI

影响引入了新的损失函数，可加速收敛到最优分类几何并提高模型鲁棒性。

排序理由该集群包含一篇学术论文，详细介绍了监督分类的新方法。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Panagiotis Koromilas, Theodoros Giannakopoulos, Mihalis A. Nicolaou, Yannis Panagakis · 2026-05-22 04:00

Neural Collapse by Design: Learning Class Prototypes on the Hypersphere

arXiv:2605.20302v2 Announce Type: replace Abstract: Supervised classification has a theoretical optimum, Neural Collapse (NC), yet neither of its two dominant paradigms reaches it in practice. Cross entropy (CE) leaves radial degrees of freedom unconstrained and converges to a de…