Blair

论文信息

论文标题：Do We Need Zero Training Loss After Achieving Zero Training Error?
论文作者：Takashi Ishida, I. Yamane, Tomoya Sakai, Gang Niu, M. Sugiyama
论文来源：2020 ICML
论文地址：download 
论文代码：download
视屏讲解：click

1 简介

　　训练模型的时候，需要将训练损失降到 0 吗？显然不用。一般来说，是用训练集来训练模型，但希望的是验证集的损失越小越好，而正常来说训练集的损失降低到一定值后，验证集的损失就会开始上升，因此没必要把训练集的损失降低到 0。

2 方法

　　假设原来的损失函数是 $\mathcal{L}(\theta)$ ，现在改为 $\tilde{\mathcal{L}}(\theta)$ :

　　　　$\tilde{\mathcal{L}}(\theta)=|\mathcal{L}(\theta)-b|+b$

　　其中 $b$ 是预先设定的阈值。当 $\mathcal{L}(\theta)>b$ 时 $\tilde{\mathcal{L}}(\theta)=\mathcal{L}(\theta)$ ，这时候就是执行普通的梯度下降；而 $\mathcal{L}(\theta)<b$ 时 $\tilde{\mathcal{L}}(\theta)=2 b-\mathcal{L}(\theta)$ ，注意到损失函数变号了，所以这时候是梯度上升。因此，总的来说就 是以 $b$ 为阈值，低于阈值时反而希望损失函数变大。论文把这个改动称为 “Flooding”。

　　论文显示，在某些任务中，训练集的损失函数经过这样处理后，验证集的损失 能出现“二次下降 (Double Descent) ”，如下图:

　　

3 实验 

　　简单来说，就是最终的验证集效果可能更好些，原论文的实验结果如下：

　　

参考