学习可重复性：用于鲁棒神经网络的自定义损失函数设计
机器学习
2026-01-05 v1 人工智能
摘要
为增强深度学习模型的可重复性和可靠性，我们针对当前训练方法中的一个关键缺口：缺乏确保在运行条件下一致且稳健性能的机制。我们的经验分析表明，即便在受控初始化和训练条件下，模型准确率也可能 exhibits 显著变异性。为解决此问题，我们提出一种自定义损失函数(CLF)，以减少训练结果对随机因素（如权重初始化和数据洗牌）的敏感性。通过微调其参数，CLF显式地在预测准确性和训练稳定性之间进行平衡，导致更一致可靠的模型性能。跨越 diverse architectures进行的广泛实验，涵盖图像分类和时间序列预测，表明我们的做法显著提高了训练鲁棒性，而不会牺牲预测性能。这些结果表明CLF是一种有效且高效的策略，用于开发更稳定、可靠和可信赖的神经网络。
引用
@article{arxiv.2601.00578,
title = {Learning to be Reproducible: Custom Loss Design for Robust Neural Networks},
author = {Waqas Ahmed and Sheeba Samuel and Kevin Coakley and Birgitta Koenig-Ries and Odd Erik Gundersen},
journal= {arXiv preprint arXiv:2601.00578},
year = {2026}
}