Pelicinan label

Pelicinan label ialah teknik yang digunakan dalam pembelajaran mendalam untuk mengatur proses latihan rangkaian saraf. Teknik ini digunakan untuk mengelakkan overfitting dengan mengurangkan pergantungan model pada label yang betul semasa proses latihan. Ia berfungsi dengan meningkatkan keyakinan model dalam label "salah".

Semasa latihan, rangkaian saraf akan menghasilkan taburan kebarangkalian ke atas label yang betul untuk input yang diberikan. Pelicinan label menambahkan sedikit kekeliruan pada output rangkaian. Kekeliruan ini menggalakkan model untuk mempertimbangkan label "salah" juga, mengurangkan kemungkinan pemasangan berlebihan.

Pelicinan label amat berguna apabila melatih rangkaian pada data yang mempunyai percanggahan besar antara kelas. Sebagai contoh, rangkaian yang dilatih pada set data dengan 100 sampel positif dan 1 sampel negatif berkemungkinan akan menjadi sangat terlampau pada sampel positif selepas beberapa pas latihan. Menggunakan pelicinan label akan mengurangkan kepastian model memilih label positif, meningkatkan generalisasinya.

Pelicinan label boleh digunakan dalam dua cara. Yang pertama ialah menggunakan jumlah pelicinan yang berterusan pada setiap label. Ini dicapai dengan menambah sebahagian kecil pengedaran seragam pada setiap label. Cara lain ialah dengan menggunakan tahap pelicinan yang berbeza-beza pada setiap label, bergantung pada tahap kepastian rangkaian berada pada pengelasan yang betul. Sebagai contoh, label yang sangat pasti akan mempunyai tahap pelicinan yang tinggi digunakan, manakala label yang lebih tidak pasti akan mempunyai kurang pelicinan.

Pelicinan label ialah teknik yang biasa digunakan untuk meningkatkan prestasi model pembelajaran mendalam. Penggunaannya dalam kombinasi dengan teknik penyusunan semula yang lain, seperti berhenti awal dan berhenti kerja, boleh membantu mengurangkan lebihan pemasangan dan menambah baik generalisasi model.