<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Regularisasi on Nalar</title>
    <link>https://nalar.dev/id/tags/regularisasi/</link>
    <description>Recent content in Regularisasi on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Thu, 10 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/regularisasi/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Regularisasi Neural Network dengan Mixup</title>
      <link>https://nalar.dev/id/regularisasi-neural-network-dengan-mixup/</link>
      <pubDate>Thu, 10 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/regularisasi-neural-network-dengan-mixup/</guid>
      <description>&lt;h1 id=&#34;regularisasi-neural-network-dengan-mixup&#34;&gt;Regularisasi Neural Network dengan Mixup&lt;/h1&gt;&#xA;&lt;p&gt;Sebuah neural network dapat menyesuaikan diri dengan contoh training-nya sambil tetap berperilaku tidak terduga di ruang di antara contoh-contoh tersebut. Jika dua input yang berdekatan berasal dari kelas berbeda, training standar memberi tahu model apa yang harus dilakukan pada titik ujung, tetapi sering kali hanya memberi sedikit informasi tentang titik-titik di antaranya.&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;Mixup&lt;/strong&gt; mengubah sinyal training tersebut. Alih-alih berlatih hanya pada contoh individual, mixup membuat contoh sintetis dengan menginterpolasi pasangan input beserta labelnya. Model kemudian diminta menghasilkan prediksi campuran yang sesuai. Ini bertindak sebagai regularizer karena membatasi bagaimana prediksi boleh berubah di antara contoh training.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
