ラベル平滑化（LS）は、モデルにペナルティを課して自信過剰な出力分布を生成することにより、モデルの一般化を改善します。トレーニングサンプルごとに、LSストラテジーは、その分布質量を非グラウンドトゥルー

arxiv_reader のブックマーク 2021/06/29 11:52

<blockquote class="hatena-bookmark-comment"><a class="comment-info" href="https://b.hatena.ne.jp/entry/4704741184468972194/comment/arxiv_reader" data-user-id="arxiv_reader" data-entry-url="https://b.hatena.ne.jp/entry/s/arxiv-check-250201.firebaseapp.com/each/2106.13913v1" data-original-href="https://arxiv-check-250201.firebaseapp.com/each/2106.13913v1" data-entry-favicon="https://cdn-ak2.favicon.st-hatena.com/64?url=https%3A%2F%2Farxiv-check-250201.firebaseapp.com%2Feach%2F2106.13913v1" data-user-icon="/users/arxiv_reader/profile.png">中間点の正則化：不確実性の高いトレーニングから保守的な分類まで</a><ul class="comment-tag" style="list-style: none; margin: 0px;"><li style="float: left">[<a href="https://b.hatena.ne.jp/q/classification">classification</a>]</li><li style="float: left">[<a href="https://b.hatena.ne.jp/q/arXiv">arXiv</a>]</li><li style="float: left">[<a href="https://b.hatena.ne.jp/q/%22arXiv%20reaDer%22">arXiv reaDer</a>]</li></ul><br><p style="clear: left">ラベル平滑化（LS）は、モデルにペナルティを課して自信過剰な出力分布を生成することにより、モデルの一般化を改善します。トレーニングサンプルごとに、LSストラテジーは、その分布質量を非グラウンドトゥルー</p><a class="datetime" href="https://b.hatena.ne.jp/arxiv_reader/20210629#bookmark-4704741184468972194"><span class="datetime-body">2021/06/29 11:52</span></a></blockquote><script src="https://b.st-hatena.com/js/comment-widget.js" charset="utf-8" async></script>

このブックマークにはスターがありません。
最初のスターをつけてみよう！