Softlog-Softmax 层与散度在计算可靠性集成学习中的贡献
机器学习
2025-06-06 v1
摘要
本文提出了一套四步方法，阐明软对数-Softmax 级联如何改进下一代集成学习系统的一致性和可靠性。第一步为解剖性步骤：所考察的目标集成模型由与卷积棱柱定义相关的标准元素构成，无需预先确定标准形式。多样性是选择这些形式的主要准则。证明当问题复杂度增加时，这种集成多样性更为有用。第二步为生理性步骤，涉及神经工程学：推导软对数(softlog)，既能使弱对数运算保持一致性，又能通过多层软对数-Softmax 层实现中间决策，即遵循与输出层相同类别逻辑。第三步涉及神经信息论：提出基于软对数的熵与散度，用于构建在封闭区间上 yield consistent values 的信息测度。这些信息测度用于确定个体决策与棱柱基于多样性的子社区决策之间的关系。第四步则针对可靠集成评估，推导信息丰富的性能张量。
关键词
引用
@article{arxiv.2506.04297,
title = {Softlog-Softmax Layers and Divergences Contribute to a Computationally Dependable Ensemble Learning},
author = {Abdourrahmane Mahamane Atto},
journal= {arXiv preprint arXiv:2506.04297},
year = {2025}
}