surrogate losses | BriefGPT

关键词surrogate losses

搜索结果 - 11

一种适用于具有光滑替代损失的学习的通用增长率
该论文对用于分类的各种代理损失函数的 $H$- 一致性界限（和超额误差界限）的增长率进行了全面分析。我们证明了二分类中平滑边界为基础的代理损失函数在接近零时的平方根增长率，并在温和假设下提供了上下界限。我们还将此分析扩展到多类分类，并通过一
PDF2 months ago
为了校准和一致的延迟学习而捍卫 Softmax 参数化
通过学习让机器学习分类器在更准确的专家存在时推迟决策，可以提高安全性和性能。本研究证明了以先前文献中代理损失的对称性为原因，而不是 softmax 本身，导致了未校准和无界估计的问题，并提出了一种新颖的统计一致的基于非对称 softmax
PDF8 months ago
预测者 - 排斥者多类弃权：理论分析与算法
我们研究了多类别分类中的学习与弃权的关键框架，介绍了一系列新的理论和算法结果，提出了几个新的代理损失函数家族，并分析了单阶段和两阶段学习设置的保证和应用，证明了我们的代理损失的优越性，并展示了广泛适用的两阶段弃权算法的卓越性能。
PDF8 months ago
基于理论基础的得分为基础的多类弃权的损失函数和算法
通过引入新的代理损失函数，分析了多类别分类中学习与弃权的打分式公式，证明了这些代理损失函数的非渐近性和假设集特定一致性保证上界了弃权损失函数的估计误差，实验评估了新算法在几个数据集上的效果并展示了阶段性弃权算法的实际重要性。
PDF8 months ago
学习多位专家推迟预测的原则方法
我们提出了一项关于使用多个专家进行学习推迟的代理损失和算法的研究，并证明了这些代理损失从强大的 $H$- 一致性上获益。我们通过几个实际代理损失的例子阐述了分析的应用，并给出了明确的保证。虽然这项工作的主要焦点是理论分析，但我们还报告了在
PDF8 months ago
Auto Seg-Loss: 为语义分割寻找度量代理
本文主要介绍了在深度网络训练中设计适当的损失函数的重要性，特别是在语义分割领域，介绍了自动设计指标特定损失函数的方法，并介绍了代替度量中不可微分操作的可参数化函数以及在参数搜索中使用的两个约束。实验表明，所搜索的替代损失函数在其他数据集和网
PDF4 years ago
ECCV重构和插值的代理损失的统一框架
UniLoss 是一个用于训练深度网络的统一框架，它可以自动生成代理损失，减少针对各种任务设计代理损失的人工程作。通过内插，UniLoss 可以为不可微分步骤生成可微分的近似值。使用 UniLoss，我们可以使用一个统一的框架优化不同的任务
PDF4 years ago
学习代理损失
本文提出了一种针对非可微和非可分解损失函数的优化方法，使用代理神经网络逐渐逼近真实损失函数，并通过联合双层优化学习预测模型和代理损失函数，实现了高效学习代理损失函数的效果。
PDF5 years ago
针对大输出空间学习的随机负样本挖掘
研究检索方法及其相关算法，提出一种基于代理损失和随机负采样方法的统计原理方法，能够在大规模标签集下实现精准分类。
PDF6 years ago
带代理损失的上下文自适应赌博机：边界与高效算法
本文使用代理损失函数导出了新的后悔界限和新的算法，其中借助于坡道损失函数，我们导出了新的边界界限。同时也根据标准顺序复杂度度量了回归函数的基准类，使用铰链损失函数，导出了一种有效的算法，并且其中包含了一个以 $d$ 维度回归器引出的基准方针
PDF6 years ago
在线学习中指数权重的多种表现形式
本文提出将指数加权法放在网络学习的中心地位，将标准方法和其遗憾界转化为适当的替代损失函数以及指数加权后验的结果，给出了在线梯度下降、在线镜像下降和在线牛顿步等方法的 EW 表述，并使得由复杂的自适应方法可转为简单易行的指数凸的代理损失函数。
PDF6 years ago