利用 $e$-指数化变换使凸损失函数对离群点鲁棒

Suvadeep Hajra

利用 $e$-指数化变换使凸损失函数对离群点鲁棒

机器学习 2019-02-21 v2 机器学习

作者: Suvadeep Hajra

摘要

本文提出一种针对损失函数的新颖的 {\em $e$ -指数化}变换， $0 \le e<1$ 。当该变换应用于凸损失函数时，变换后的损失函数对离群点变得更加鲁棒。利用一种新颖的泛化误差界，我们从理论上证明了变换后的损失函数对受离群点污染的数据集具有更紧的界。我们的经验观察表明，在存在标签噪声的情况下，使用变换后损失函数所获得的准确率可显著优于使用原损失函数的结果，并与一些其他 SOTA 方法相当。

关键词

凸损失函数离群点 $e$-指数化变换鲁棒性泛化误差界标签噪声

引用

@article{arxiv.1902.06127,
  title  = {Making Convex Loss Functions Robust to Outliers using $e$-Exponentiated Transformation},
  author = {Suvadeep Hajra},
  journal= {arXiv preprint arXiv:1902.06127},
  year   = {2019}
}

利用 $e$-指数化变换使凸损失函数对离群点鲁棒

摘要

关键词

引用

相关论文