Osband 提出 horizon loss 改进分类训练
热点事件观察中
Osband 提出 horizon loss 改进分类训练
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Ian Osband 提出一种名为 horizon loss 的分类训练损失函数：它把交叉熵看作“耐心的准确率”，并按剩余训练量进行截断，使训练后期从交叉熵过渡到精确策略梯度。 据其测试，在 MNIST 及 ImageNet 上使用 ResNet-50、ResNet-101 和 ViT-S/16 时，该方法在固定学习率下提升了 top-1 准确率，且标签噪声越大增益越明显。
AI 根据报道生成 · 14 小时前更新
最新进展10月5日 12:00
从交叉熵到精确策略梯度：Ian Osband 提出 horizon loss 提升分类精度报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv stat.ML从交叉熵到精确策略梯度：Ian Osband 提出 horizon loss 提升分类精度
Ian Osband 提出 horizon loss，将交叉熵视为"耐心的准确率"，并按剩余训练量截断，从而在训练后期向精确策略梯度过渡。在 MNIST 及 ImageNet 上使用 ResNet-50、ResNet-101 和 ViT-S/16 测试，该方法在固定学习率下提升 top-1 准确率，且标签噪声越大增益越明显。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。