Funkcja straty spójności (consistency loss) to składnik funkcji celu stosowany w uczeniu maszynowym, który wymusza na modelu generowanie stabilnych i niezmiennych wyników przy różnych transformacjach tych samych danych. W kontekście wideo może ona karać model za gwałtowne zmiany predykcji między klatkami, a w modelach generatywnych zapewnia zgodność między różnymi skalami lub reprezentacjami danych. Poprzez minimalizowanie rozbieżności między powiązanymi wyjściami, funkcja ta poprawia zdolność uogólniania modelu i zwiększa jego odporność na szum oraz drobne perturbacje wejściowe. Jest ona szczególnie istotna w uczeniu pół-nadzorowanym oraz w zadaniach wymagających zachowania struktury przestrzennej lub czasowej.
Funkcja straty spójności (consistency loss)
