别再停下来了：论模型参数选择的验证准则
光学
2026-02-26 v1 材料科学
摘要
尽管关于训练损失函数的文献广泛，但关于在验证集上评估泛化性的研究仍不足。本文我们系统地对模型参数选择中使用的验证准则如何影响神经网络分类器的测试性能进行了经验性和统计性研究，重点关注早停策略。在标准基准数据集上使用全连接网络进行k折评估，我们比较了：(i)基于准确率的早停带耐心机制，和(ii)后期在所有 epoch 中选择模型（即无早停）。模型使用交叉熵、C-Loss 或 PolyLoss 进行训练；在验证集上进行模型参数选择时，分别使用准确率或这三种损失函数中的一种。我们发现，三个主要结论：(1)基于验证准确率的早停总体上表现最差，持续选择在测试准确率上低于基于损失的早停和后期选择的模型。(2)基于损失的验证准则产生可 comparable 且更稳定的测试准确率。(3)在数据集和折数上，任何单一的验证规则通常都低于所有 epoch 中最佳的测试性能。总体而言，所选模型通常在测试集上的性能统计上低于所有 epoch 中的最佳性能，无论采用何种验证准则。我们的结果表明，应避免使用验证准确率（特别是配合早停）进行参数选择，优先考虑基于损失的验证准则。
引用
@article{arxiv.2602.22106,
title = {Purcell-enhanced Bright and Dark Exciton Emission from Perovskite Quantum Dots in Micro-ring Resonators},
author = {Lanyin Luo and Mohit Khurana and Ian M. Murray and Sina Baghbani Kordmahale and Akanksha Pandey and Xiaohan Liu and Alexei V. Sokolov and Dong Hee Son},
journal= {arXiv preprint arXiv:2602.22106},
year = {2026}
}
备注
23 pages, 5 figures