Resumen

Presentamos una nueva función de pérdida, denominada pérdida GO, para clasificación. La mayoría de los métodos existentes, como la pérdida de centro y la pérdida contrastiva, determinan dinámicamente la dirección de convergencia de las características de la muestra durante el proceso de entrenamiento. En contraste, la pérdida GO descompone la dirección de convergencia en dos componentes mutuamente ortogonales, a saber, direcciones tangencial y radial, y realiza la optimización de forma separada en ellas. Teóricamente, los dos componentes afectan la separación entre clases y la compacidad intraclase de la distribución de las características de la muestra, respectivamente. Por lo tanto, minimizar las pérdidas por separado en ellos puede evitar los efectos de su optimización. En consecuencia, se puede obtener un centro de convergencia estable para cada uno de ellos. Además, asumimos que los dos componentes siguen una distribución gaussiana, lo cual se ha demostrado como una forma efectiva de modelar con precisión las características de entrenamiento para mejorar los efectos de clasificación. Experimentos

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Novela; Función de pérdida; Pérdida GO; Dirección de convergencia; Componentes ortogonales; Distribución gaussiana
• Keywords:Novel; Loss function; GO loss; Convergence direction; Orthogonal components; Gaussian distribution