دقيق: كيفية تدريب دقة نموذجك

تُقيَّم مهام التصنيف عادةً من حيث الدقة. ومع ذلك، فإن الدقة غير مستمرة ولا يمكن تحسينها مباشرة باستخدام طريقة الصعود التدرجي. تُستخدم طرق شائعة مثل تقليل الـ cross-entropy أو خسارة الهينج أو غيرها من خسائر التمثيل (surrogate losses)، والتي قد تؤدي إلى نتائج غير مثلى. في هذا البحث، نقترح إطارًا جديدًا للتحسين من خلال إدخال عشوائية على مخرجات النموذج وتحسين الدقة المتوقعة، أي دقة النموذج العشوائي. أظهرت تجارب واسعة على النماذج الخطية والتصنيف العميق للصور أن طريقة التحسين المقترحة تمثل بديلًا قويًا للخسائر المستخدمة على نطاق واسع في مهام التصنيف.