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。