计算机科学 > 机器学习
[提交于 2025年7月10日
]
标题: 使用线性自适应损失函数增强交叉熵以优化分类性能
标题: Enhancing Cross Entropy with a Linearly Adaptive Loss Function for Optimized Classification Performance
摘要: 我们提出了线性自适应交叉熵损失函数。 这是一个从信息论中推导出的新颖度量。 与标准交叉熵损失函数相比,所提出的函数有一个额外的项,该该项取决于真实类别的预测概率。 这一特性有助于在涉及独热编码类别标签的分类任务中增强优化过程。 所提出的函数已在基于ResNet的模型上使用CIFAR-100数据集进行了评估。 初步结果表明,在分类准确率方面,所提出的函数始终优于标准交叉熵损失函数。 此外,所提出的函数保持了简单性,实现了与传统交叉熵损失几乎相同的效率。 这些发现表明,我们的方法可能为未来损失函数设计的研究范围带来扩展。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.