Fugu-MT 論文翻訳(概要): ASRL:A robust loss function with potential for development

論文の概要: ASRL:A robust loss function with potential for development

arxiv url: http://arxiv.org/abs/2504.06935v1
Date: Wed, 09 Apr 2025 14:40:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-10 13:05:41.629110
Title: ASRL:A robust loss function with potential for development
Title（参考訳）: ASRL:開発の可能性を秘めたロバストな損失関数
Authors: Chenyu Hui, Anran Zhang, Xintong Li,
Abstract要約: 本稿では, 従来のロバスト損失関数に基づく分割型ロバスト損失関数を提案する。この損失関数の特徴は、高い堅牢性と幅広い適用性を達成することである。
参考スコア（独自算出の注目度）: 4.292888620805875
License:
Abstract: In this article, we proposed a partition:wise robust loss function based on the previous robust loss function. The characteristics of this loss function are that it achieves high robustness and a wide range of applicability through partition-wise design and adaptive parameter adjustment. Finally, the advantages and development potential of this loss function were verified by applying this loss function to the regression question and using five different datasets (with different dimensions, different sample numbers, and different fields) to compare with the other loss functions. The results of multiple experiments have proven the advantages of our loss function .
Abstract（参考訳）: 本稿では,従来のロバストなロバストなロス関数に基づいて,分割型ロバストなロス関数を提案する。この損失関数の特徴は、分割設計と適応パラメータ調整により、高い堅牢性と幅広い適用性を達成することである。最後に、この損失関数を回帰問題に適用し、5つの異なるデータセット(異なる次元、異なるサンプル数、異なるフィールド)を用いて他の損失関数と比較することにより、この損失関数の利点と開発ポテンシャルを検証した。複数の実験の結果,損失関数の利点が証明された。

関連論文リスト

A Versatile Influence Function for Data Attribution with Non-Decomposable Loss [3.1615846013409925]
本稿では,非分解不能な損失を学習した機械学習モデルに対して,直接適用可能なVersatile Influence Function (VIF)を提案する。 VIFはデータ属性の大幅な進歩を表しており、幅広い機械学習パラダイムにまたがる効率的な影響関数ベースの属性を可能にする。
論文参考訳（メタデータ） (2024-12-02T09:59:01Z)
The Central Role of the Loss Function in Reinforcement Learning [46.72524235085568]
回帰損失関数の違いが値に基づく意思決定アルゴリズムのサンプル効率と適応性に与える影響を実証する。複数の設定にまたがって、バイナリクロスエントロピー損失を用いたアルゴリズムが、最適ポリシーのコストで1次境界スケーリングを実現することを証明した。本論文は, 種々の損失関数を持つ意思決定アルゴリズムのガイドとして機能し, 読者により良い損失関数を求め, 任意の意思決定アルゴリズムを改善することを期待する。
論文参考訳（メタデータ） (2024-09-19T14:10:38Z)
LEARN: An Invex Loss for Outlier Oblivious Robust Online Optimization [56.67706781191521]
敵は、学習者に未知の任意の数kの損失関数を破損させることで、外れ値を導入することができる。我々は,任意の数kで損失関数を破損させることで,敵が外乱を発生させることができる,頑健なオンラインラウンド最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-12T17:08:31Z)
Alternate Loss Functions for Classification and Robust Regression Can Improve the Accuracy of Artificial Neural Networks [6.452225158891343]
本稿では,ニューラルネットワークのトレーニング速度と最終的な精度が,ニューラルネットワークのトレーニングに使用する損失関数に大きく依存することを示す。様々なベンチマークタスクの性能を著しく向上させる2つの新しい分類損失関数を提案する。
論文参考訳（メタデータ） (2023-03-17T12:52:06Z)
A survey and taxonomy of loss functions in machine learning [51.35995529962554]
本稿では, 回帰, 分類, 生成モデル, ランキング, エネルギーベースモデリングなど, 主要なアプリケーションにまたがる最も広く使われている損失関数について概観する。直感的な分類法で構築された43個の個別の損失関数を導入し,それらの理論的基礎,特性,最適な適用状況を明らかにした。
論文参考訳（メタデータ） (2023-01-13T14:38:24Z)
Evaluating the Impact of Loss Function Variation in Deep Learning for Classification [0.0]
損失関数は間違いなく、ニューラルネットワークにとって最も重要なハイパーパラメータの1つである。ニューラルネットワークを教師付き分類設定で検討し、損失関数の選択がトレーニング結果に与える影響を分析する。特定の損失関数は過度に最適に機能するが、我々の研究は、表現不足の損失が最先端の選択肢を大幅に上回っていることを実証的に示している。
論文参考訳（メタデータ） (2022-10-28T09:10:10Z)
Hybridised Loss Functions for Improved Neural Network Generalisation [0.0]
損失関数は人工ニューラルネットワーク(ANN)のトレーニングにおいて重要な役割を果たすクロスエントロピーと合計2乗誤差損失関数は異なるトレーニングダイナミクスをもたらすことが示されている。エントロピーと和2乗誤差損失関数のハイブリッドは、2つの関数の利点を組み合わせ、その欠点を制限できる。
論文参考訳（メタデータ） (2022-04-26T11:52:11Z)
Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文参考訳（メタデータ） (2020-10-15T17:59:08Z)
An Equivalence between Loss Functions and Non-Uniform Sampling in Experience Replay [72.23433407017558]
非一様サンプルデータを用いて評価された損失関数は、別の一様サンプルデータ損失関数に変換可能であることを示す。驚いたことに、いくつかの環境では、PERは経験的パフォーマンスに影響を与えることなく、この新たな損失関数に完全に置き換えることができる。
論文参考訳（メタデータ） (2020-07-12T17:45:24Z)
Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
論文参考訳（メタデータ） (2019-12-15T14:25:33Z)

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。