Label-Glättung
Definition
Label-Glättung ersetzt harte One-Hot-Zielwerte durch leicht geglättete Zielwahrscheinlichkeiten.
Statt der korrekten Klasse Wahrscheinlichkeit 1 und allen anderen 0 zu geben, wird ein kleiner Anteil verteilt. Das kann Überkonfidenz reduzieren, ist aber nicht für jede Aufgabe vorteilhaft.
Einfach erklärt
Wie einer Musterlösung etwas weniger absolute Sicherheit mitzugeben.
Warum das im Alltag wichtig ist
Relevant für Klassifikation und Kalibrierung tiefer Netze.
Beispiel aus dem Mittelstand
Ein Bildklassifikator wird mit und ohne Label Smoothing trainiert und auf Accuracy sowie Calibration verglichen.
Grenzen und Fallstricke
- Glättungswert ungeprüft übernehmen; bei distillation oder label noise Wechselwirkungen ignorieren; bessere Loss-Werte mit besserer Kalibrierung gleichsetzen.
Entstehung & Geschichte
Szegedy et al. nutzten Label Smoothing 2015 in der Inception-Forschung als Regularisierung.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Bei überkonfidenten Klassifikatoren als experimentelle Trainingsoption vergleichen.
Häufige Fragen
Macht Label Smoothing Labels unsicher?
Es verändert die Trainingsziele künstlich. Ist es immer besser? Nein.
Quellen
- Rethinking the Inception Architecture · Szegedy et al. (2015), Rethinking the Inception Architecture
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: