लेबल चौरसाई

लेबल स्मूथिंग एक तकनीक है जिसका उपयोग तंत्रिका नेटवर्क की प्रशिक्षण प्रक्रिया को नियमित करने के लिए गहन शिक्षण में किया जाता है। प्रशिक्षण प्रक्रिया के दौरान सही लेबल पर मॉडल की निर्भरता को कम करके ओवरफिटिंग से बचने के लिए तकनीक का उपयोग किया जाता है। यह "गलत" लेबल में मॉडल का विश्वास बढ़ाकर काम करता है।

प्रशिक्षण के दौरान, एक तंत्रिका नेटवर्क किसी दिए गए इनपुट के लिए सही लेबल पर संभाव्यता वितरण उत्पन्न करेगा। लेबल स्मूथिंग नेटवर्क के आउटपुट में थोड़ी मात्रा में भ्रम पैदा करता है। यह भ्रम मॉडल को "गलत" लेबल पर भी विचार करने के लिए प्रोत्साहित करता है, जिससे ओवरफिटिंग की संभावना कम हो जाती है।

लेबल स्मूथिंग विशेष रूप से तब उपयोगी होती है जब किसी नेटवर्क को डेटा पर प्रशिक्षित किया जाता है जिसमें कक्षाओं के बीच बड़ी विसंगतियां होती हैं। उदाहरण के लिए, 100 सकारात्मक नमूनों और 1 नकारात्मक नमूने वाले डेटासेट पर प्रशिक्षित नेटवर्क के कुछ प्रशिक्षण पारित होने के बाद सकारात्मक नमूने से बहुत अधिक प्रभावित होने की संभावना होगी। लेबल स्मूथिंग लागू करने से वह निश्चितता कम हो जाएगी जिसके साथ मॉडल सकारात्मक लेबल चुनता है, जिससे उसका सामान्यीकरण बढ़ जाएगा।

लेबल स्मूथिंग को दो तरीकों से लागू किया जा सकता है। पहला है प्रत्येक लेबल पर निरंतर मात्रा में स्मूथिंग लगाना। यह प्रत्येक लेबल पर समान वितरण का एक छोटा सा हिस्सा जोड़कर प्राप्त किया जाता है। दूसरा तरीका प्रत्येक लेबल पर स्मूथिंग के विभिन्न स्तरों को लागू करना है, यह इस बात पर निर्भर करता है कि नेटवर्क सही वर्गीकरण पर कितना निश्चित है। उदाहरण के लिए, एक लेबल जो बहुत निश्चित है उसमें उच्च स्तर की स्मूथिंग लागू होगी, जबकि एक लेबल जो अधिक अनिश्चित है उसमें कम स्मूथिंग लागू होगी।

गहन शिक्षण मॉडल के प्रदर्शन को बेहतर बनाने के लिए लेबल स्मूथिंग आमतौर पर इस्तेमाल की जाने वाली तकनीक है। अन्य नियमितीकरण तकनीकों, जैसे जल्दी रुकना और ड्रॉपआउट, के साथ संयोजन में इसका उपयोग ओवरफिटिंग को कम करने और मॉडल सामान्यीकरण में सुधार करने में मदद कर सकता है।