Silhouette Loss: Differentiable Global Structure Learning for Deep Representations

Dieses Paper stellt den Soft Silhouette Loss vor, ein neuartiges differenzierbares Lernziel für Deep Learning, inspiriert vom klassischen Silhouettenkoeffizienten. Er zielt darauf ab, diskriminative Repräsentationen zu lernen, indem er intra-Klassen-Kompaktheit und inter-Klassen-Trennung effizienter als bestehende Metrik-Lernansätze durchsetzt.