会员服务
损失函数，在AI中亦称呼距离函数，度量函数。此处的距离代表的是抽象性的，代表真实数据与预测数据之间的误差。损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。
Learning a distance measure from the information-estimation geometry of data
Arxiv
0+阅读 · 2月6日
Persistent Homology with Path-Representable Distances on Graph Data
Arxiv
0+阅读 · 2月16日
SQ-CBF: Signed Distance Functions for Numerically Stable Superquadric-Based Safety Filtering
Arxiv
0+阅读 · 2月11日
Electrostatics-Inspired Surface Reconstruction (EISR): Recovering 3D Shapes as a Superposition of Poisson's PDE Solutions
Arxiv
0+阅读 · 2月12日
BladeSDF : Unconditional and Conditional Generative Modeling of Representative Blade Geometries Using Signed Distance Functions
Arxiv
0+阅读 · 1月19日
A Riemannian Take on Distance Fields and Geodesic Flows in Robotics
Arxiv
0+阅读 · 1月27日
Facility Location Games for Multi-Location Agents with Satisfaction
Arxiv
0+阅读 · 2025年12月28日
Geometric implicit neural representations for signed distance functions
Arxiv
0+阅读 · 2025年11月10日
Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details
Arxiv
0+阅读 · 2025年11月18日
Scheduling the Off-Diagonal Weingarten Loss of Neural SDFs for CAD Models
Arxiv
0+阅读 · 2025年11月5日
Smooth geometry extraction from SIMP topology optimization: Signed distance function approach with volume preservation
Arxiv
0+阅读 · 2025年12月7日
Surpassing state of the art on AMD area estimation from RGB fundus images through careful selection of U-Net architectures and loss functions for class imbalance
Arxiv
0+阅读 · 2025年10月30日
A Convexity-dependent Two-Phase Training Algorithm for Deep Neural Networks
Arxiv
0+阅读 · 2025年10月30日
A Convexity-dependent Two-Phase Training Algorithm for Deep Neural Networks
Arxiv
0+阅读 · 2025年10月29日
Meshless solutions of PDE inverse problems on irregular geometries
Arxiv
0+阅读 · 2025年10月29日
参考链接
微信扫码咨询专知VIP会员
Top