convex loss function | BriefGPT

关键词convex loss function

搜索结果 - 8

用于不平衡线性分类的扩展非对称 S 型神经元（SIGTRON）
本文介绍了一种名为 SIGTRON 的新的多项式参数化 Sigmoid 函数，并提出了其伴随的凸模型 SIC 模型，该模型使用了一种虚拟的 SIGTRON 诱导的凸损失函数。与传统的加权成本敏感学习模型不同，SIC 模型在损失函数上没有外部
PDF6 months ago
ICML深度学习的双高斯牛顿方向
通过利用深度学习目标的结构，即凸损失函数和非线性网络的组合，我们研究了借鉴类高斯 - 牛顿方法的好处，以便通过部分线性化的思想，导出比随机梯度更好的方向神经元，通过其对偶式给出这些方向神经元的计算好处并带来新的见解。我们证明了所得到的方向神
PDFa year ago
逻辑回归 Q-Learning
本研究提出了一种基于正则化线性规划的强化学习算法 QREPS，相对于相似的 REPS 算法增加了 Q - 函数来实现无模型训练，并提供了一种策略评估的凸损失函数来替代传统的平方 Bellman 误差，同时提供了一种实用的最小化损失函数的鞍点
PDF4 years ago
Fenchel-Young 损失函数的学习
本文介绍了一种用于构建基于正则化预测函数的凸损失函数的泛化方法 ——Fenchel-Young 损失，并深入研究了其性质，包括与稀疏性、广义熵和分离边界之间的新联系，从而揭示了许多著名损失函数的统一性并方便地创建新的损失函数。此外，本文还推
PDF5 years ago
高维正则化 M 估计器的精确误差分析
通过解决正则化 M - 估计问题，我们成功预测了在高维比例范式下这种估计器的误差性能，并识别了一种新的总结参数，称为预期的 Moreau 信封，在误差表征中起着核心作用。
PDF8 years ago
不需集中注意力的普遍损失函数学习
研究使用经验风险最小化解决预测和估计问题，针对一般凸损失函数。我们证明了即使当集中度是错误的或非常受限制的情况下，例如在重尾场景中，我们也可以获得尖锐的误差率。我们的结果表明，误差率取决于两个参数：一个捕捉类别的内在复杂性，以实质上在无噪声
PDF10 years ago
感知机误差界
本文概述了现有的误差界限，并引入了感知器或核感知器算法的新界限。我们的新界限一般化超出了标准的边际损失型界限，允许任何凸和 Lipschitz 损失函数，并且具有非常简单的证明。
PDF11 years ago
结构化预测级联
本文提出了一种基于‘Structured Prediction Cascade’的新型结构预测方法，通过一系列逐步添加模型的方式，可以有效实现对输出状态空间的过滤和精细调整，并且在优化过程中控制过滤效率与准确率的平衡，通过对模型进行不断优化
PDF12 years ago