PulseAugur
中
实时 10:52:07
English(EN) ALCL: An Adaptive Log-Correntropy Loss for Robust Learning under Non-Gaussian Noise

新型自适应损失提升深度学习在噪声下的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新型自适应对数相关熵损失（ALCL），旨在提高深度学习模型在非高斯噪声下训练时的鲁棒性。与均方误差（MSE）等对离群值敏感的传统方法不同，ALCL在训练过程中动态学习其鲁棒性参数。这种自适应方法在图像数据集上进行了演示，通过提高准确性和降低方差，在噪声较大的情况下，其性能始终优于MSE和静态对数相关熵损失。 AI

影响 增强了深度学习模型在噪声环境下的性能，有望提高在实际应用中的可靠性。

排序理由 该集群包含一篇详细介绍新型机器学习损失函数的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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]

  1. arXiv cs.AI TIER_1 English(EN) · Mainak Kundu, Ria Kanjilal, Ismail Uysal ·

    ALCL: An Adaptive Log-Correntropy Loss for Robust Learning under Non-Gaussian Noise

    arXiv:2606.16050v1 Announce Type: cross Abstract: Robust deep learning under heavy-tailed and impulsive noise remains challenging because conventional losses such as mean squared error (MSE) exhibit unbounded sensitivity to outliers. Although correntropy-based objectives improve …

相关实体

相关话题