实体
Triplet loss
Triplet loss
PulseAugur coverage of Triplet loss — every cluster mentioning Triplet loss across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新研究比较了AI分布外检测的训练目标
一篇新的研究论文系统地比较了图像分类中分布外（OOD）检测的四种训练目标。该研究使用OpenOOD协议和ResNet-18模型评估了交叉熵损失（Cross-Entropy Loss）、原型损失（Prototype Loss）、三元组损失（Triplet Loss）和平均精度（AP）损失。结果表明，虽然交叉熵损失、原型损失和AP损失在分布内准确率方面表现相似，但交叉熵损失通常提供最一致的OOD检测性能。
-
新的嵌入技术增强神经网络逻辑推理能力
研究人员开发了创建高质量嵌入（逻辑语句的数值表示）的新方法，以提高神经网络在逻辑推理任务中的效率。所提出的技术涉及使用三元组损失进行训练，并采用特定的策略来生成锚点、正例和负例，以平衡难度并强调更难的案例。进行了实验，以评估这些嵌入在各种知识库上的表现，旨在确定使其适用于不同推理挑战的特性。
-
对比学习提升AI模型鲁棒性和透明度
对比学习是一种机器学习技术，它创建一个嵌入空间，将相似的数据点聚集在一起，并将不相似的数据点分开。该方法可应用于监督和无监督场景，在传统交叉熵损失函数方面具有优势，尤其是在安全关键型应用中。研究表明，监督对比学习通过改进特征归因解释，可以带来更值得信赖和更透明的神经网络。