<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Label Smoothing on Nalar</title>
    <link>https://nalar.dev/id/tags/label-smoothing/</link>
    <description>Recent content in Label Smoothing on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Thu, 24 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/label-smoothing/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Label Smoothing Mendistribusikan Ulang Probabilitas Target ke Seluruh Kelas</title>
      <link>https://nalar.dev/id/id/label-smoothing-mendistribusikan-ulang-probabilitas-target-ke-seluruh-kelas/</link>
      <pubDate>Thu, 24 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/id/label-smoothing-mendistribusikan-ulang-probabilitas-target-ke-seluruh-kelas/</guid>
      <description>&lt;p&gt;Classifier yang dilatih dengan target one-hot menempatkan seluruh massa probabilitas target pada satu kelas. Label smoothing mengubah target tersebut sebelum cross-entropy dihitung: sebagian massa dipindahkan dari kelas yang ditetapkan lalu diberikan kepada kelas lain. Arsitektur network dapat tetap sama, tetapi objective optimisasinya sudah berbeda.&lt;/p&gt;&#xA;&lt;p&gt;Perbedaan ini relevan saat menafsirkan confidence, nilai loss, dan konfigurasi implementasi. Label smoothing bukan operasi post-processing pada probabilitas prediksi. Mekanisme ini mengubah distribusi target yang menghasilkan sinyal training.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
