Основная идея метода label smoothing в машинном обучении заключается в корректировке целевых меток во время обучения. 2 Вместо присвоения вероятности 1 истинному классу и 0 всем остальным классам, часть массы вероятности перераспределяется. 2

Такая корректировка помогает предотвратить чрезмерную уверенность модели в своих прогнозах, что может привести к переобучению и плохому обобщению. 2 Это делает модель более надёжной, особенно в сценариях, когда данные содержат шум или их сложно классифицировать. 4

Некоторые преимущества метода label smoothing:

• Улучшение обобщения. 14 Сглаживание меток улучшает способность модели к обобщению на новые невидимые данные. 2
• Уменьшение переобучаемости. 2 Помогает предотвратить запоминание моделью обучающих данных и, таким образом, уменьшает переобучение. 2
• Улучшенная калибровка. 2 Обеспечивает более выверенные оценки вероятности, что делает выходные данные модели более интерпретируемыми. 2