Resumen

Se propone una función de pérdida mejorada, libre de procedimientos de muestreo, para mejorar la clasificación mal realizada por escasez de muestras. Se utilizan parámetros ajustables para ampliar el alcance de la pérdida, minimizar el peso de las muestras fácilmente clasificadas y sustituir aún más la función de muestreo, que se añaden a la pérdida de entropía cruzada y a la pérdida SoftMax. Los resultados de los experimentos indican que se muestran mejoras en todo el rendimiento de clasificación de nuestra función de pérdida en varias arquitecturas de red y en diferentes conjuntos de datos. En resumen, en comparación con las funciones de pérdida tradicionales, nuestra versión mejorada no sólo eleva el rendimiento de la clasificación, sino que también reduce la dificultad del entrenamiento de la red.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:rendimiento de la clasificación, función de pérdida tradicional, función de pérdida mejorada, diversas arquitecturas de red, dificultad de la red, versión mejorada, muestra de clasificados, función de pérdida, pérdida softmax, procedimientos de muestreo
• Keywords:classification performance, traditional loss function, improved loss function, various network architecture, difficulty of network, improved version, classifieds sample, loss function, softmax loss, sampling procedures