Label Smoothing เป็นเทคนิคที่ใช้ในสาขา Machine Learning เพื่อทำให้กระบวนการเรียนรู้เป็นปกติโดยพัฒนาการคาดการณ์ใกล้กับป้ายกำกับที่สังเกตเห็นก่อนหน้านี้ แทนที่จะอาศัยการคาดการณ์ที่มั่นใจมากเกินไปเพียงอย่างเดียว เทคนิคนี้จะช่วยลดผลกระทบของความมั่นใจมากเกินไปในการทำนายโดยแนะนำความสม่ำเสมอในการกระจายความน่าจะเป็นของป้ายกำกับ เป้าหมายหลักของการปรับฉลากให้เรียบคือการลดการจำลองแบบจำลองมากเกินไป และเพื่อปรับปรุงลักษณะทั่วไปของการคาดการณ์
การปรับฉลากให้เรียบมักใช้กับโมเดลโครงข่ายประสาทเทียม มันให้ผลลัพธ์ที่เป็นปกติโดยการลดความเฉียบแหลมของการตัดสินใจ และผลักดันการคาดการณ์ให้ห่างจากความมั่นใจสุดขั้ว ซึ่งทำได้โดยการแทนที่ฮาร์ดเลเบล (เช่น 0 หรือ 1) ด้วยการแจกแจงความน่าจะเป็นที่มีความต่อเนื่องในระดับหนึ่ง ตัวอย่างเช่น ในงานการจำแนกประเภทไบนารี ป้ายกำกับ 1 จะถูกแทนที่ด้วยความน่าจะเป็น 0.9 เพื่อบ่งชี้ถึงความแน่นอนที่ใกล้เคียง
การปรับป้ายกำกับให้เรียบอาจใช้เพื่อบรรเทาผลกระทบของการแจกแจงแบบหางยาวที่น่าอับอายซึ่งมีแนวโน้มที่จะมีอยู่ในชุดข้อมูลบางชุด การปรับป้ายกำกับให้เรียบ การคาดการณ์ที่มั่นใจจะถูกจำกัด และขอบที่คมชัดระหว่างคลาสต่างๆ จะเบลอ
การปรับฉลากให้เรียบสามารถมีประสิทธิผลในการปรับปรุงความสามารถในการวางนัยทั่วไปของแบบจำลอง เนื่องจากจะช่วยลดความมั่นใจมากเกินไปในการคาดคะเน และลงโทษการคาดการณ์ที่มั่นใจซึ่งอาจไม่ถูกต้อง อย่างไรก็ตาม ควรสังเกตว่าการปรับฉลากให้เรียบไม่ได้รับประกันความแม่นยำที่ดีขึ้น เนื่องจากขึ้นอยู่กับชุดข้อมูลและปัญหาที่เกิดขึ้น
โดยรวมแล้ว การปรับฉลากให้เรียบเป็นเทคนิคการทำให้เป็นมาตรฐานซึ่งใช้เพื่อปรับปรุงความสามารถในการวางลักษณะทั่วไปของแบบจำลองโดยการลดความมั่นใจมากเกินไปในการคาดคะเน สามารถใช้กับโมเดลโครงข่ายประสาทเทียมเพื่อลดผลกระทบของการคาดการณ์ที่มั่นใจมากเกินไป และเพื่อลดผลกระทบของการแจกแจงแบบหางยาวที่มีอยู่ในชุดข้อมูลบางชุด