神经网络调节器（例如，权重衰减）通过显式惩罚网络的复杂性来提高性能。在本文中，我们对劣质的网络激活（功能嵌入）进行了惩罚，这反过来又隐式调整了网络的权重。我们提出奇异值最大化（SVMax）以学习更统一的特征嵌入。SVMax正则化器支持有监督的学习和无监督的学习。我们的公式减轻了模型崩溃的可能性，并提高了学习率。我们使用检索和生成对抗网络评估SVMax正则化器。我们利用高斯数据集的合成混合物在无人监督的情况下评估SVMax。对于检索网络，SVMax可以在各种排名损失中实现显着的改善。可以在https://bit.ly/3jNkgDt获得的代码



"点击查看英文标题和摘要"