ИСТИНА

Работа посвящена исследованию популярной нейросетевой архитектуры – сиамских нейронных сетей для решения задачи классификации. Классической функцией потерь для их настройки выступают контрастные и тройные потери, сближающие векторные представления (эмбеддинги) объектов одного класса и разделяющие эмбеддинги разных классов, причём штраф за расхождения эмбеддингов объектов одного класса ненулевой для сколь угодно малых расхождений эмбеддингов. В работе предлагается модифицировать эти потери таким образом, чтобы позволить эмбеддингам объектов одного класса быть непохожими, не штрафуя небольшие различия эмбеддингов. Приводятся результаты экспериментов на задачах классификации изображений, классификации типов лесного покрова, обнаружения заболевания и популярном датасете Titanic, демонстрирующие повышение точности от указанной модификации.