(DE) Verfahren zum Trainieren (100) eines ML-Systems (3), insbesondere eines künstlichen neuronalen Netzwerks, insbesondere zur Klassifikation von Sensordaten, in Abhängigkeit von einer ersten Verlustfunktion (Lce) und von einer zweiten Verlustfunktion (Ladd), wobei die erste Verlustfunktion (Lce) in Abhängigkeit von der Ausgabe (35) des künstlichen neuronalen Netzwerks (3) berechnet wird, dadurch gekennzeichnet, dass die zweite Verlustfunktion (Ladd) derart gestaltet ist, dass die Ausgabe (35 35', 35'') des künstlichen neuronalen Netzes (3) im Wesentlichen normalisiert wird.
(EN) The invention relates to a method for training (100) a ML system (3), in particular an artificial neural network, particularly for classifying sensor data, as a function of a first loss function (Lce) and a second loss function (Ladd), the first loss function (Lce) being calculated as a function of the output (35) of the artificial neural network (3). The invention is characterized in that the second loss function (Ladd) is configured in such a way that the output (35, 35', 35'') of the artificial neural network (3) is essentially normalized.
(FR) L'invention concerne un procédé d'entraînement (100) d'un système de ML (3), en particulier un réseau neuronal artificiel, en particulier pour la classification de données de capteur, en fonction d'une première fonction de perte (Lce) et d'une deuxième fonction de perte (Ladd), la première fonction de perte (Lce) étant calculée en fonction de la sortie (35) du réseau neuronal artificiel (3). L'invention est caractérisée en ce que la deuxième fonction de perte (Ladd) est configurée de sorte que la sortie (35, 35', 35'') du réseau neuronal artificiel (3) soit sensiblement normalisée.
