ترجمه فارسی مقاله بهبود کالیبراسیون با مرتبط کردن از دست دادن کانونی، مقیاس بندی دما، و مناسب

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Improving Calibration by Relating Focal Loss, Temperature Scaling, and Properness
عنوان مقاله به فارسی بهبود کالیبراسیون با مرتبط کردن از دست دادن کانونی، مقیاس بندی دما، و مناسب
نویسندگان Viacheslav Komisarenko, Meelis Kull
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024. , Comments: Accepted to ECAI 2024
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده به ECAI 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Proper losses such as cross-entropy incentivize classifiers to produce class probabilities that are well-calibrated on the training data. Due to the generalization gap, these classifiers tend to become overconfident on the test data, mandating calibration methods such as temperature scaling. The focal loss is not proper, but training with it has been shown to often result in classifiers that are better calibrated on test data. Our first contribution is a simple explanation about why focal loss training often leads to better calibration than cross-entropy training. For this, we prove that focal loss can be decomposed into a confidence-raising transformation and a proper loss. This is why focal loss pushes the model to provide under-confident predictions on the training data, resulting in being better calibrated on the test data, due to the generalization gap. Secondly, we reveal a strong connection between temperature scaling and focal loss through its confidence-raising transformation, which we refer to as the focal calibration map. Thirdly, we propose focal temperature scaling - a new post-hoc calibration method combining focal calibration and temperature scaling. Our experiments on three image classification datasets demonstrate that focal temperature scaling outperforms standard temperature scaling.

چکیده به فارسی (ترجمه ماشینی)

تلفات مناسب مانند ایجاد آنتروپی طبقه بندی کننده ها را برای تولید احتمالات کلاس که به خوبی در داده های آموزشی کالیبره شده اند ، ایجاد می کند.با توجه به شکاف تعمیم ، این طبقه بندی ها تمایل دارند که بر روی داده های آزمایشی بیش از حد سازگار شوند و روش های کالیبراسیون مانند مقیاس دما را اجباری کنند.از دست دادن کانونی مناسب نیست ، اما نشان داده شده است که آموزش با آن اغلب منجر به طبقه بندی کننده هایی می شود که بر روی داده های آزمون کالیبره شده بهتر هستند.اولین سهم ما یک توضیح ساده در مورد اینکه چرا آموزش از دست دادن کانونی اغلب منجر به کالیبراسیون بهتر نسبت به آموزش متقابل آنتروپی می شود.برای این کار ، ما ثابت می کنیم که از دست دادن کانونی می تواند به یک تحول اعتماد به نفس و از دست دادن مناسب تجزیه شود.به همین دلیل است که از دست دادن کانونی مدل را به پیش بینی های غیرقانونی در مورد داده های آموزش سوق می دهد و در نتیجه به دلیل شکاف تعمیم ، بر روی داده های آزمون بهتر کالیبره می شود.ثانیا ، ما ارتباط محکمی بین مقیاس گذاری دما و از بین رفتن کانونی از طریق تحول اعتماد به نفس آن نشان می دهیم ، که از آن به عنوان نقشه کالیبراسیون کانونی یاد می کنیم.سوم ، ما مقیاس دمای کانونی را پیشنهاد می کنیم - یک روش جدید کالیبراسیون پس از تعقیب و گریز با ترکیب کالیبراسیون کانونی و مقیاس دما.آزمایشات ما در سه مجموعه داده طبقه بندی تصویر نشان می دهد که مقیاس بندی دمای کانونی از مقیاس بندی دمای استاندارد بهتر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.