Deep learning 10倍测试对测量过盈是否有意义？

据我所知，如果1。收敛太快2。验证损失不断增加

同样，据我所知，除非您使验证损失收敛到与培训损失类似的趋势，否则无法解决此问题，因此您可以进行更多的数据扩充等

然而，我读过的许多论文都声称，10倍是稳健性的标志，并表明该模型没有过度拟合。然而，当我重新创建这些实验时，我可以说，无论它们是否显示出强大的精确度，它们都是过度拟合的。此外，许多人似乎认为他们只需增加10倍，这是很好的。在评论中，他们也只要求进行10倍的实验来解决过度装配的问题

---

我拿错了吗？是否有希望验证损失不会收敛，但会上升？或者除了验证损失之外还有其他衡量标准吗？

我假设，10倍检验意味着10倍交叉验证

通常，交叉验证仅在非常小的数据集上有用，即样本少于1000个

过度拟合意味着模型的复杂度远远高于需要。过度拟合的一个典型标志是学习精度非常高，而验证精度较低

因此，使用10倍交叉验证本身可能无法防止过度拟合。 考虑两个例子：

首先，学习准确率为99.8%，交叉验证准确率为70%

第二，学习准确率77%，10倍交叉验证准确率70%

在这两种情况下，相同的10倍交叉验证导致70%的准确率。然而，第一种情况显然过于恰当，而第二种情况并非如此

---

我希望，这澄清了情况。

我的意思是使用10次分割进行实验，很多论文进行此实验是为了能够说他们每次都能得到接近的结果，比如说70次左右，但由于他们从未写过他们的模型如何收敛于学习损失，我们无法知道他们是否过度拟合，我们不应该更关心损失吗？我不确定在这种情况下我们是否需要关心损失。如果你能提供这样一篇论文的典型例子，那会很有帮助。好的，谢谢，我想你说的是验证我对过度拟合的理解，除了我更关注损失，比如说我有一个学习acc为92，验证acc为87的模型，虽然学习损失已收敛到1%以下，但验证损失约为8，事实上，它从未真正收敛过一段时间，然后再次增加到比开始更近的范围。我认为这个模型太过合适了许多论文只提供了10倍的测试准确度，而且在学习上没有任何东西，我认为有些论文确实太过合适了