一种不平衡学习动态恢复大类重要性的损失函数计算方法

摘要

本发明从动态平衡的角度来看待不平衡学习的问题，提供了一种不平衡学习动态恢复大类重要性(Dynamically Restoring the Importance ofMajority Class,DRMC)的损失函数计算方法。DRMC首先抑制大类的重要性，然后逐渐恢复大类的重要性。其损失函数中的成本函数包括初始函数、恢复函数、渐进函数和激活函数。渐进函数为一递增函数，激活函数采用类Relu函数，初始函数和恢复函数采用已有的静态的类别成本函数。DRMC方法动态地计算类别成本，结合标准交叉熵函数，有效地解决了已有方法中的静态平衡策略与训练过程中类别表示程度的动态变化不相匹配的问题。与相应的静态的成本函数相比，DRMC方法可以显著提高了模型的分类性能，不仅显示了良好的泛化能力，而且方法对超参数不敏感，易化了超参数调试过程。