Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.10574

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2507.10574 (cs)
[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

Authors:Jae Wan Shim
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。
摘要: We propose the Linearly Adaptive Cross Entropy Loss function. This is a novel measure derived from the information theory. In comparison to the standard cross entropy loss function, the proposed one has an additional term that depends on the predicted probability of the true class. This feature serves to enhance the optimization process in classification tasks involving one-hot encoded class labels. The proposed one has been evaluated on a ResNet-based model using the CIFAR-100 dataset. Preliminary results show that the proposed one consistently outperforms the standard cross entropy loss function in terms of classification accuracy. Moreover, the proposed one maintains simplicity, achieving practically the same efficiency to the traditional cross entropy loss. These findings suggest that our approach could broaden the scope for future research into loss function design.
评论: 13页,2图
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI); 神经与进化计算 (cs.NE)
引用方式: arXiv:2507.10574 [cs.LG]
  (或者 arXiv:2507.10574v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.10574
通过 DataCite 发表的 arXiv DOI
期刊参考: Sci.Rep. 14 (2024) 27405
相关 DOI: https://doi.org/10.1038/s41598-024-78858-6
链接到相关资源的 DOI

提交历史

来自: Jae Wan Shim [查看电子邮件]
[v1] 星期四, 2025 年 7 月 10 日 16:38:57 UTC (53 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.NE

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号