강건한 분류를 위한 분포 손실 (Distributional Loss for Robust Classification)
요약
본 논문은 지도 학습 분류 과제를 위해 새로운 손실 개념을 제안합니다. 입력 샘플을 단일 레이블에 매핑하는 대신, 모든 분류기 출력에 대한 최적화 목표를 이봉형 가우시안 분포로 정의하여 클래스 모호성을 포착하고 강건한 결정 경계를 학습하도록 합니다.
핵심 포인트
- 새로운 손실 개념을 제안하여 지도 학습의 강건성을 높임.
- 출력 목표를 이봉형 가우시안 분포로 정의하는 것이 핵심.
- 클래스 모호성 포착 및 과적합 완화에 효과적임.
- 데이터가 부족한 환경(low-data regimes)에서 특히 큰 개선을 보임.
본 논문은 지도 학습(supervised classification) 과제를 위한 새로운 손실 개념을 제안합니다. 각 입력 샘플을 단일 할당 레이블에 직접 매핑하는 것을 강제하기보다는, 모든 분류기 출력에 대한 최적화 목표를 이봉형 가우시안 분포(bimodal Gaussian distribution)로 정의합니다. 이러한 부드러운 타겟 공식화(softer target formulation)는 클래스 모호성(class ambiguity)을 암묵적으로 포착하고, 과적합(overfitting)을 완화하며, 추가적인 레이블 정보가 필요하지 않음에도 불구하고 더 강건한 결정 경계(robust decision boundaries) 학습을 장려합니다. 실험 결과는 표준 훈련 파이프라인에 최소한의 수정만으로도 강건성에서 일관된 개선을 보여주며, 특히 데이터가 부족한 환경(low-data regimes)에서 두드러진 이득을 보였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기0