論文の概要: Cut your Losses with Squentropy

• arxiv url: http://arxiv.org/abs/2302.03952v1
• Date: Wed, 8 Feb 2023 09:21:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:58:22.883094
• Title: Cut your Losses with Squentropy
• Title（参考訳）: スクエントロピーで損失をカットする
• Authors: Like Hui, Mikhail Belkin, Stephen Wright
• Abstract要約: ここでは、クロスエントロピー損失と、不正なクラスに対する平均平方損失という2つの項の和である「スカントロピー」損失を提案する。 その結果, スクエントロピーの損失は, 純粋なクロスエントロピーと再スケールした正方形損失の両方において, 分類精度において優れていた。
• 参考スコア（独自算出の注目度）: 19.924900110707284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nearly all practical neural models for classification are trained using cross-entropy loss. Yet this ubiquitous choice is supported by little theoretical or empirical evidence. Recent work (Hui & Belkin, 2020) suggests that training using the (rescaled) square loss is often superior in terms of the classification accuracy. In this paper we propose the "squentropy" loss, which is the sum of two terms: the cross-entropy loss and the average square loss over the incorrect classes. We provide an extensive set of experiments on multi-class classification problems showing that the squentropy loss outperforms both the pure cross entropy and rescaled square losses in terms of the classification accuracy. We also demonstrate that it provides significantly better model calibration than either of these alternative losses and, furthermore, has less variance with respect to the random initialization. Additionally, in contrast to the square loss, squentropy loss can typically be trained using exactly the same optimization parameters, including the learning rate, as the standard cross-entropy loss, making it a true "plug-and-play" replacement. Finally, unlike the rescaled square loss, multiclass squentropy contains no parameters that need to be adjusted.
• Abstract（参考訳）: ほとんど全ての実用的な神経モデルの分類は、クロスエントロピー損失を用いて訓練される。 しかし、このユビキタスな選択は、ほとんど理論的あるいは実証的な証拠によって支持されている。 最近の研究(Hui & Belkin, 2020)は、(再スケール)正方形損失を用いたトレーニングが、分類精度において優れていることを示唆している。 本稿では,2つの項の和である"squentropy"損失,すなわち,逆エントロピー損失と不正確なクラスの平均2乗損失を提案する。 マルチクラス分類問題において,スキントロピー損失が純粋なクロスエントロピーと再スケールされた2乗損失の両方を,分類精度の点で上回ることを示す実験を行った。 また, モデルキャリブレーションは, いずれの代替損失よりも大幅に向上し, さらに, ランダム初期化に関して, ばらつきが小さいことも実証した。 さらに、正方形損失とは対照的に、スクエントロピー損失は、通常、通常のクロスエントロピー損失である学習率を含む全く同じ最適化パラメータを使用してトレーニングすることができ、真の「プラグ・アンド・プレイ」代替となる。 最後に、再スケールされた正方形損失とは異なり、マルチクラススクエントロピーは調整する必要のあるパラメータを含まない。

関連論文リスト

• A unified law of robustness for Bregman divergence losses [2.014089835498735]
  本稿では,ブレグマン分散損失が2乗損失とクロスエントロピー損失の共通一般化を形成することを示す。 我々の一般化は、ブベックとセルクの証明の中心にあるバイアス分散型分解の同定に依存する。
  論文  参考訳（メタデータ） (2024-05-26T17:30:44Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Test-Time Adaptation via Conjugate Pseudo-labels [21.005027151753477]
  テスト時間適応(TTA)とは、ニューラルネットワークを分散シフトに適応させることである。 従来のTTA手法は、TENTにおけるモデル予測のエントロピーのような教師なしの目的を最適化していた。 我々は,多種多様な関数に対して可能な限りのTTA損失をメタ学習しようとすると,TENTのソフトマックスエントロピーと著しく類似した関数(温度スケール版)を復元する。
  論文  参考訳（メタデータ） (2022-07-20T04:02:19Z)
• Understanding Square Loss in Training Overparametrized Neural Network Classifiers [31.319145959402462]
  過度にパラメータ化されたニューラルネットワークでどのように機能するかを体系的に検討することにより、分類における二乗損失の理論的理解に寄与する。 クラスが分離可能か否かに応じて2つのケースを考慮する。一般的な非分離可能の場合、誤分類率と校正誤差の両方について、高速収束率が確立される。 結果として得られるマージンはゼロから下界であることが証明され、ロバスト性の理論的な保証を提供する。
  論文  参考訳（メタデータ） (2021-12-07T12:12:30Z)
• Mixing between the Cross Entropy and the Expectation Loss Terms [89.30385901335323]
  クロスエントロピー損失は、トレーニング中にサンプルを分類するのが難しくなる傾向にある。 最適化目標に期待損失を加えることで,ネットワークの精度が向上することを示す。 実験により,新しいトレーニングプロトコルにより,多様な分類領域における性能が向上することが示された。
  論文  参考訳（メタデータ） (2021-09-12T23:14:06Z)
• Distribution of Classification Margins: Are All Data Equal? [61.16681488656473]
  我々は理論的に動機付け、トレーニングセット上のマージン分布の曲線の下の領域が実際は一般化のよい尺度であることを実証的に示す。 結果として生じる"高いキャパシティ"機能のサブセットは、異なるトレーニング実行間で一貫性がない。
  論文  参考訳（メタデータ） (2021-07-21T16:41:57Z)
• Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
  ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。 そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T09:34:17Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• MTAdam: Automatic Balancing of Multiple Training Loss Terms [95.99508450208813]
  複数の損失項を扱うためにAdam最適化アルゴリズムを一般化する。 新たな手法によるトレーニングは, 最適初期損失重み付けの早期回復につながることを示す。
  論文  参考訳（メタデータ） (2020-06-25T20:27:27Z)
• Evaluation of Neural Architectures Trained with Square Loss vs Cross-Entropy in Classification Tasks [23.538629997497747]
  クロスエントロピー損失は、分類タスクの平方損失よりも経験的に優れていると広く信じられている。 これらのニューラルネットワークアーキテクチャは、正方形損失をトレーニングした場合に、相容れないか、より良く機能することを示す。 クロスエントロピーはコンピュータビジョンのタスクに多少の限界があるようだ。
  論文  参考訳（メタデータ） (2020-06-12T17:00:49Z)
• Classification vs regression in overparameterized regimes: Does the loss function matter? [21.75115239010008]
  最小二乗最小ノルムで得られる解は、通常回帰に使用されるもので、ハードマージン支援ベクトルマシン(SVM)が生成したものと同一であることを示す。 本研究は, トレーニングフェーズ(最適化)とテストフェーズ(一般化)において, 損失関数の役割と特性が全く異なることを示すものである。
  論文  参考訳（メタデータ） (2020-05-16T17:58:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。