pdf code

Asymmetric Loss For Multi-Label Classification (ASL Loss)

这篇paper提出了 Asymmetric Loss. 用于解决正负样本不平衡的问题。进一步地提供了概率解释以及自适应版本。

Focal Loss

Asymmetric Focusing

作者添加多一个变量,提出让负样本与正样本的不对称,且一般来说

进一步作者提出 Asymmetric Probability Shifting. 对于负样本中简单的部分直接清除掉.

概率实验

作者定义对预测结果的有效置信度

正负样本概率gap: 实验发现ASL Loss可以使得训练过程中正负样本的概率gap比较小。

自适应调参

由以上实验,作者发现其实可以动态地调整使得概率gap保持在一定的范围内。