| 题号 | 主题 | 文章 |
|---|---|---|
| 1 | 交叉熵损失的梯度推导，为什么在类别不平衡时会导致模型偏向… | 001.md |
| 2 | Focal Loss的完整推导，γ=0和γ=2时梯度形态… | 002.md |
| 3 | 对比学习中InfoNCE Loss与互信息下界的关系，负… | 003.md |
| 4 | 排序学习中RankNet的梯度推导，为什么Pairwis… | 004.md |
| 5 | ListNet vs ListMLE，Listwise方… | 005.md |
| 6 | 标签平滑(Label Smoothing)的贝叶斯解释，… | 006.md |
| 7 | 温度缩放(Temperature Scaling)的校准… | 007.md |
| 8 | 样本权重重采样 vs 损失函数加权，在梯度更新层面的等价… | 008.md |
| 9 | 梯度裁剪(Gradient Clipping)的L2 n… | 009.md |
| 10 | 二阶优化方法(L-BFGS)在推荐中的可行性分析，与一阶… | 010.md |