文献

J-GLOBAL ID：202002263918336256   整理番号：20A2622300

損失関数を構築するための基礎としての勾配【JST・京大機械翻訳】

Gradient as a Foundation for Building a Loss Function

著者 (2件)： Kilbas Igor (Samara National Research University,Samara,Russia) ,  Paringer Rustam (Samara National Research University,Samara,Russia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ITNT  ページ： 1-4  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層ニューラルネットワークは,多くの分野にわたる多様な応用において,大きな成功を達成した。しかし,ニューラルネットワークの訓練は,解決すべきいくつかの課題を伴う。深層学習モデルの性能は,ネットワークアーキテクチャだけでなく損失関数の選択にも依存する。交差エントロピー損失は分類問題に対する最も一般的な選択であることが分かった。しかし,その主なダウンサイドは,厳しいクラス不均衡でデータを処理できないことである。この問題に取り組むために,焦点損失を提案した。本論文では,その優れた性能の背後にある理由を検討した。新しい損失関数の構築に適用可能な焦点損失勾配のいくつかの特性を見出し,それらの幾つかを提案した。また,提案した関数の妥当性の実験的証拠を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： エントロピー ,  *損失関数 ,  ニューラルネットワーク ,  ネットワークアーキテクチャ
準シソーラス用語： 深層学習 ,  クラス不均衡 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 損失関数 ,  構築 ,  基礎 ,  勾配