Esta pesquisa introduz a HALO-Loss, um método inovador para treinar redes neurais a se absterem de fazer previsões quando incertas. Permite que os modelos expressem "Eu não sei" em vez de fornecerem respostas potencialmente incorretas, melhorando a confiabilidade.
!["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 conteúdo apresenta uma nova função de perda para o treinamento de redes neurais profundas, fundamentada na Distância Quadrada do Transportador de Terra. O objetivo é melhorar a eficácia dos modelos de deep learning ao oferecer uma medida mais robusta para comparar distribuições de probabilidade.
Este trabalho introduz a Soft Silhouette Loss, uma nova função de perda diferenciável para deep learning, inspirada no coeficiente de silhueta clássico. Ela busca aprender representações discriminativas que promovam compactação intra-classe e separação inter-classes de forma mais eficiente do que métodos existentes.
Este artigo detalha como as redes neurais aprendem por meio de otimização, explicando o ciclo de treinamento que envolve propagação direta, cálculo da função de perda e backpropagation para computar gradientes e atualizar pesos. Ele enfatiza a importância das funções de perda na geração de gradientes para ajustar os parâmetros do modelo via regra da cadeia.