Esta investigación presenta la HALO-Loss, un método novedoso para entrenar redes neuronales para abstenerse de hacer predicciones cuando no están seguras. Permite que los modelos expresen "No lo sé" en lugar de dar respuestas potencialmente incorrectas, mejorando la fiabilidad.
!["I don't know!": Teaching neural networks to abstain with the HALO-Loss. [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/loxsfywek4vg1.png?width=140&height=123&auto=webp&s=e494bc934351aeddad8b50b76059d35dc7987a4f)
Este contenido introduce una nueva función de pérdida para el entrenamiento de redes neuronales profundas, basada en la Distancia Cuadrada del Transportador de Tierra. Su propósito es mejorar la eficacia de los modelos de aprendizaje profundo al proporcionar una medida más robusta para comparar distribuciones de probabilidad.
Este trabajo presenta la Soft Silhouette Loss, una nueva función de pérdida diferenciable para el aprendizaje profundo, inspirada en el coeficiente de silueta clásico. Su objetivo es aprender representaciones discriminativas que promuevan la compacidad intra-clase y la separación inter-clases de manera más eficiente que los métodos existentes.
Este artículo detalla el proceso de aprendizaje de las redes neuronales mediante optimización, cubriendo el ciclo de entrenamiento desde la propagación directa hasta la actualización de pesos. Explica la importancia de la retropropagación y las funciones de pérdida para calcular gradientes y ajustar los parámetros del modelo.