跳到正文
热点事件持续更新

研究者提出自适应对数相关熵损失ALCL

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

Mainak Kundu等研究者提出自适应对数相关熵损失（ALCL），这是一种重尾损失函数，在优化过程中与网络权重联合学习对数残差模型的形状和尺度参数，使损失的几何形状随残差统计动态调整。 该设计针对的是深度学习在非高斯噪声下鲁棒性不足的问题，目的是让损失函数在训练中自适应调整鲁棒性。报道未给出实验数据或与其他损失函数的对比结果。

AI 根据报道生成 · 4 小时前更新

最新进展11月4日 13:00
自适应 Log-Correntropy 损失（ALCL）提升非高斯噪声下的深度学习鲁棒性

报道时间线

沿着报道，了解事件的不同侧面。

11月4日
  1. arXiv · cs.AI
    自适应 Log-Correntropy 损失（ALCL）提升非高斯噪声下的深度学习鲁棒性

    研究者提出自适应 Log-Correntropy 损失（ALCL，Adaptive Log-Correntropy Loss），在优化过程中与网络权重联合学习对数残差模型（logarithmic residual model）的形状和尺度参数，使损失几何随残差统计动态调整。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月4日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。