یکی از چالشهای بزرگ در آموزش شبکههای عصبی عمیق، وجود نویز در برچسبهای دادههاست که میتواند دقت مدل را بهشدت کاهش دهد. حالا محققان در یک مقاله جدید، چارچوب نوآورانهای ارائه کردهاند که با استفاده از «توابع پایه تکمتغیره»، توابع زیانِ (Loss Functions) مقاومتری را برای مسائل طبقهبندی طراحی میکند.
این رویکرد جدید که شامل دو طرح «Target Separation» و «Binary Reduction» است، به محققان اجازه میدهد تا با درک عمیقتر از روابط بینکلاسی، مدلهایی بسازند که در برابر نویزهای موجود در دادههای آموزشی بسیار بادوامتر و دقیقتر عمل کنند. یک گام مهم دیگر برای رسیدن به هوش مصنوعیِ قابلاعتمادتر! 🧠✨
منبع: arXiv Machine Learning