一种基于层次KL散度模型的优化长尾机器学习性能的方法

本发明属于机器学习算法技术领域，具体为一种基于层次KL散度模型的优化长尾机器学习性能的方法。本发明方法包括设计层次KL‑RS模型，并进行等价对偶转换；采用基于搜索和梯度下降法求解层次KL‑RS模型；长尾机器学习过程中采用Ldam损失函数和Focal损失函数结合的复合损失函数，从而提升模型的平均准确率和在最差类别上的准确率；基于数据集CIFAR10(LT)和CIFAR100(LT)的实验结果表明，本发明方法能够有效提升神经网络的平均准确率和最差准确率有所提升。