降低 Jeffries-Matusita 距离：一种新的损失函数用于提高深度分类模型的泛化性能

原文约300字，阅读约需1分钟。发表于：。

通过分析损失函数的特征，本文引入了一种减少过拟合问题的距离称为减少的 Jeffries-Matusita 作为深度分类模型的损失函数，在计算机视觉的图像分类和图学习的节点分类问题中，实验证明新的距离度量显著稳定了训练过程，提高了模型的泛化能力和准确率，并且即使训练集规模较小也有所改善。

深度度学习优化神经网络目标函数，增强特征表示。交叉熵损失函数对不同类别数据不够充分。深度度量学习通过映射数据样本到嵌入空间，度量相似性。采样策略和损失函数帮助优化区分性嵌入空间。讨论最新进展和方法。