라벨 평활화
라벨 스무딩(Label Smoothing)은 어려운 원-핫(one-hot) 훈련 목표를 완화하는 간단한 정규화 트릭으로, 모델에 정답이 나올 가능성이 매우 높지만 100% 확실하지는 않음을 알려줍니다.
개요
It improves calibration and generalization across image and language models with almost no extra cost.
심층 분석
일반적으로 분류자는 원-핫 레이블에 대해 훈련됩니다. 실제 클래스는 대상 1.0을 얻고 다른 모든 것은 0.0을 얻습니다. 교차 엔트로피와 소프트맥스가 결합되어 모델이 올바른 로짓을 나머지 것보다 무한히 크게 만들도록 하여 과신과 과적합을 조장합니다. 레이블 평활화는 대상을 실제 클래스에 대한 (1 - 엡실론)으로 대체하고 엡실론이 작은(일반적으로 0.1) 다른 K 클래스에 분산된 엡실론/(K-1)을 사용합니다. 이제 모델은 확실하지만 절대적이지는 않은 분포를 목표로 합니다. 2016년 Inception-v3 작업에 도입되고 나중에 Hinton 그룹에 의해 분석된 이 기능은 ImageNet 정확도를 향상시켰으며 원래 Attention Is All You Need 논문에서 0.1의 엡실론을 사용했던 Transformers의 표준입니다.
기술적 통찰력
하드 라벨을 사용하면 교차 엔트로피를 최소화하면 다른 항목에 비해 양의 무한대를 향한 올바른 로짓이 구동됩니다. 이는 달성할 수 없으며 가중치를 극단적으로 밀어냅니다. 평활화는 올바른 로짓과 나머지 사이에 유한한 최적의 간격을 설정하므로 로짓은 경계를 유지하고 모델은 최대한의 신뢰도를 가지지 않습니다. 연구에 따르면 이는 동일한 클래스 클러스터를 강화하고 더 잘 보정된 확률을 생성하며 예측 신뢰도가 실제 정확도와 일치하는 것으로 나타났습니다. 트레이드오프: 클래스 간 유사성 정보를 세밀하게 지울 수 있으며, 이로 인해 부드러운 관계가 중요한 경우 지식 증류가 손상되는 경우가 있습니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
라벨 평활화의 미래
레이블 평활화는 대규모 훈련에서 기본값으로 남아 있지만, 연구는 단일한 값을 사용하는 대신 예제 또는 클래스별로 엡실론을 조정하는 적응형 및 학습된 평활화로 이동하고 있습니다. 초점 손실 및 온도 스케일링과 같은 교정 중심 방법은 종종 비교되거나 결합됩니다. 모델이 성장하고 신뢰할 수 있는 불확실성 추정치가 안전에 중요해짐에 따라 증류와의 알려진 충돌에 세심한 주의를 기울여 평활화가 신뢰할 수 있는 신뢰도 점수를 생성하는 많은 도구 중 하나가 될 것으로 기대합니다.
실제 구현
ImageNet 분류: Inception-v3에서는 레이블 평활화(epsilon 0.1)를 사용하여 상위 1위 정확도를 높이고 과신을 줄였습니다.
기계 번역: 원래 Transformer 적용 레이블 평활화 0.1, 더 높은 BLEU 점수에 대한 약간의 혼란을 교환합니다.
음성 인식: 매끄러운 목표는 과도한 인식 오류를 줄이고 시끄러운 오디오에 대한 보정을 개선합니다.
의료 영상 모델: 스무딩은 더 잘 보정된 확률을 제공하며, 이는 신뢰도 점수가 임상 결정에 영향을 미칠 때 중요합니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
Label Smoothing이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Label Smoothing quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
K-평균 클러스터링
자주 묻는 질문
What is Label Smoothing?
라벨 스무딩(Label Smoothing)은 어려운 원-핫(one-hot) 훈련 목표를 완화하는 간단한 정규화 트릭으로, 모델에 정답이 나올 가능성이 매우 높지만 100% 확실하지는 않음을 알려줍니다. 추가 비용이 거의 없이 이미지 및 언어 모델 전반에 걸쳐 보정 및 일반화를 향상시킵니다.
훈련 목표에 대해 레이블 평활화는 무엇을 변경합니까?
하드 1.0/0.0 목표 대신 레이블 평활화는 (1 - 엡실론)을 실제 클래스에 할당하고 다른 클래스에 엡실론을 분산시킵니다.
스무딩을 통해 하드 원-핫 라벨의 어떤 문제가 해결됩니까?
원-핫 목표에 대한 교차 엔트로피를 최소화하면 다른 목표에 비해 무한대를 향한 올바른 로짓이 유도되어 과신과 과적합이 조장됩니다.
라벨 평활화를 대중화하는 데 도움이 된 랜드마크 아키텍처는 무엇입니까?
라벨 스무딩은 2016년 Inception-v3 논문에 소개되었으며 Transformer(Attention Is All You Need)에서 엡실론 0.1과 함께 채택되었습니다.
정확성 외에도 라벨 평활화는 어떤 이점으로 알려져 있나요?
평활화는 교정을 개선하고, 예측된 신뢰도는 실제 정확 가능성과 더욱 밀접하게 일치합니다.
라벨 스무딩의 문서화된 단점은 무엇입니까?
클러스터를 강화하고 클래스 간의 소프트 관계를 평탄화함으로써 평활화를 통해 지식 증류에 의존하는 정보를 제거할 수 있습니다.