NLP类别不均衡问题之loss大集合

©作者 | 眼睛里进砖头了

单位 | 东华大学

研究方向 | 自然语言处理

NLP 任务中，数据类别不均衡问题应该是一个极常见又头疼的的问题了。最近在工作中也是碰到这个问题，花了些时间梳理并实践了下类别不均衡问题的解决方式，主要实践了下“魔改”loss（focal loss, GHM loss, dice loss 等），整理了下。所有的 Loss 实践代码在这里：

https://github.com/shuxinyin/NLP-Loss-Pytorch

数据不均衡问题也可以说是一个长尾问题，但长尾那部分数据往往是重要且不能被忽略的，它不仅仅是分类标签下样本数量的不平衡，实质上也是难易样本的不平衡。

解决不均衡问题一般从两方面入手：

1. 数据层面：重采样，使得参与迭代计算的数据是均衡的；

2. 模型层面：重加权，修改模型的 loss，在 loss 计算上，加大对少样本的 loss 奖励。

数据层面的重采样

关于数据层面的重采样，方式都是通过采样，重新构造数据分布，使得数据平衡。一般常用的有三种：1）欠采样；2）过采样；3）SMOTE。

1. 欠采样：指某类别下数据较多，则只采取部分数据，直接抛弃一些数据，这种方式太简单粗暴，拟合出来的模型的偏差大，泛化性能较差；

2. 过采样：这种方式与欠采样相反，某类别下数据较少，进行重复采样，达到数据平衡。因为这些少的数据反复迭代计算，会使得模型产生过拟合的现象。

3. SMOTE：一种近邻插值，可以降低过拟合风险，但它是适用于回归预测场景下，而 NLP 任务一般是离散的情况。

这几种方法单独使用会或多或少造成数据的浪费或重，一般会与 ensemble 方式结合使用，sample 多份数据，训练出多个模型，最后综合。

但以上几种方式在工程实践中往往是少用的，一是因为数真实据珍贵，二也是 ensemble 的方式部署中资源消耗大，没法接受。因此，就集中看下重加权 loss 改进的部分。

模型层面的重加权

重加权主要指的是在 loss 计算阶段，通过设计 loss，调整类别的权值对 loss 的贡献。比较经典的 loss 改进应该是 Focal Loss, GHM Loss, Dice Loss。

2.1 Focal Loss

Focal Loss 是一种解决不平衡问题的经典 loss，基本思想就是把注意力集中于那些预测不准的样本上。

何为预测不准的样本？比如正样本的预测值小于 0.5 的，或者负样本的预测值大于 0.5 的样本。再简单点，就是当正样本预测值>0.5 时，在计算该样本的 loss 时，给它一个小的权值，反之，正样本预测值<0.5 时，给它一个大的权值。同理，对负样本时也是如此。

以二分类为例，一般采用交叉熵作为模型损失。

其中是真实标签，是预测值，在此基础又出来了一个权重交叉熵，即用一个超参去缓解上述这种影响，也就是下式。

接下来，看下 Focal Loss 是怎么做到集中关注预测不准的样本？

在交叉熵 loss 基础上，当正样本预测值大于 0.5 时，需要给它的 loss 一个小的权重值，使其对总 loss 影响小，反之正样本预测值小于 0.5，给它的 loss 一个大的权重值。为满足以上要求，则增大时，应减小，故刚好可满足上述要求。

应此加上注意参数，得到 Focal Loss 的二分类情况：

加上调节系数，Focal Loss 推广到多分类的情况：

其中为第 t 类预测值，，试验中效果最佳时，。

代码的实现也是比较简洁的。

def __init__(self, num_class, alpha=None, gamma=2, reduction='mean'):super(MultiFocalLoss, self).__init__()self.gamma = gamma......def forward(self, logit, target):alpha = self.alpha.to(logit.device)prob = F.softmax(logit, dim=1)ori_shp = target.shapetarget = target.view(-1, 1)prob = prob.gather(1, target).view(-1) + self.smooth  # avoid nanlogpt = torch.log(prob)alpha_weight = alpha[target.squeeze().long()]loss = -alpha_weight * torch.pow(torch.sub(1.0, prob), self.gamma) * logptif self.reduction == 'mean':loss = loss.mean()return loss

2.2 GHM Loss

上面的 Focal Loss 注重了对 hard example 的学习，但不是所有的 hard example 都值得关注，有一些 hard example 很可能是离群点，这种离群点当然是不应该让模型关注的。

GHM (gradient harmonizing mechanism) 是一种梯度调和机制，GHM Loss 的改进思想有两点：1）就是在使模型继续保持对 hard example 关注的基础上，使模型不去关注这些离群样本；2）另外 Focal Loss 中，的值分别由实验经验得出，而一般情况下超参是互相影响的，应当共同进行实验得到。

Focal Loss 中通过调节置信度，当正样本中模型的预测值较小时，则乘上（1-p），给一个大的 loss 值使得模型关注这种样本。于是 GHM Loss 在此基础上，规定了一个置信度范围 ，具体一点，就是当正样本中模型的预测值为 较小时，要看这个 多小，若是 ，这种样本可能就是离群点，就不注意它了。

于是 GHM Loss 首先规定了一个梯度模长 ：

其中，是模型预测概率值，是 ground-truth 的标签值，这里以二分类为例，取值为 0 或 1。可发现， 表示检测的难易程度，越大则检测难度越大。

GHM Loss 的思想是，不要关注那些容易学的样本，也不要关注那些离群点特别难分的样本。所以问题就转为我们需要寻找一个变量去衡量这个样本是不是这两种，这个变量需满足当值大时，它要小，从而进行抑制，当值小时，它也要小，进行抑制。于是文中就引入了梯度密度：

表明了样本 1～N 中，梯度模长分布在范围内的样本个数，代表了区间的长度，因此梯度密度 GD(g) 的物理含义是：单位梯度模长部分的样本个数。

在此基础上，还需要一个前提，那就是处于值小与大的样本（也就是易分样本与难分样本）的数量远多于中间值样本，此时 GD 才可以满足上述变量的要求。

此时，对于每个样本，把交叉熵 CE×该样本梯度密度的倒数，就得到 GHM Loss。

这里附上逻辑的代码，完整的可以上文章首尾仓库查看。

class GHM_Loss(nn.Module):def __init__(self, bins, alpha):super(GHM_Loss, self).__init__()self._bins = binsself._alpha = alphaself._last_bin_count = Nonedef _g2bin(self, g):# split to n binsreturn torch.floor(g * (self._bins - 0.0001)).long()def forward(self, x, target):# compute value gg = torch.abs(self._custom_loss_grad(x, target)).detach()bin_idx = self._g2bin(g)bin_count = torch.zeros((self._bins))for i in range(self._bins):# 计算落入bins的梯度模长数量bin_count[i] = (bin_idx == i).sum().item()N = (x.size(0) * x.size(1))if self._last_bin_count is None:self._last_bin_count = bin_countelse:bin_count = self._alpha * self._last_bin_count + (1 - self._alpha) * bin_countself._last_bin_count = bin_countnonempty_bins = (bin_count > 0).sum().item()gd = bin_count * nonempty_binsgd = torch.clamp(gd, min=0.0001)beta = N / gd  # 计算好样本的gd值# 借由binary_cross_entropy_with_logits,gd值当作参数传入return F.binary_cross_entropy_with_logits(x, target, weight=beta[bin_idx])

2.3 Dice Loss & DSC Loss

Dice Loss 是来自文章 V-Net 提出的，DSC Loss 是香侬科技的 Dice Loss for Data-imbalanced NLP Tasks。

按照上面的逻辑，看一下 Dice Loss 是怎么演变过来的。Dice Loss 主要来自于 dice coefficient，dice coefficient 是一种用于评估两个样本的相似性的度量函数。

定义是这样的：取值范围在 0 到 1 之间，值越大表示越相似。若令 X 是所有模型预测为正的样本的集合，Y 为所有实际上为正类的样本集合，dice coefficient 可重写为：

同时，结合 F1 的指标计算公式推一下，可得：

可以动手推一下，就能得到 dice coefficient 是等同 F1 score 的，因此本质上 dice loss 是直接优化 F1 指标的。

上述表达式是离散的，需要把上述 DSC 表达式转化为连续的版本，需要进行软化处理。对单个样本 x，可以直接定义它的 DSC：

但是当样本为负样本时，y1=0，loss 就为 0 了，需要加一个平滑项。

上面有说到 dice coefficient 是一种两个样本的相似性的度量函数，上式中，假设正样本 p 越大，dice 值越大，说明模型预测的越准，则应该 loss 值越小，因此 dice loss 的就变成了下式这也就是最终 dice loss 的样子。

为了能得到 focal loss 同样的功能，让 dice loss 集中关注预测不准的样本，可以与 focal loss 一样加上一个调节系数，就得到了香侬提出的适用于 NLP 任务的自调节 DSC-Loss。

弄明白了原理，看下代码的实现。

class DSCLoss(torch.nn.Module):def __init__(self, alpha: float = 1.0, smooth: float = 1.0, reduction: str = "mean"):super().__init__()self.alpha = alphaself.smooth = smoothself.reduction = reductiondef forward(self, logits, targets):probs = torch.softmax(logits, dim=1)probs = torch.gather(probs, dim=1, index=targets.unsqueeze(1))probs_with_factor = ((1 - probs) ** self.alpha) * probsloss = 1 - (2 * probs_with_factor + self.smooth) / (probs_with_factor + 1 + self.smooth)if self.reduction == "mean":return loss.mean()

总结

本文主要讨论了类别不均衡问题的解决办法，可分为数据层面的重采样及模型 loss 方面的改进，如 focal loss, dice loss 等。最后说一下实践下来的经验，由于不同数据集的数据分布特点各有不同，dice loss 以及 GHM loss 会出现些抖动、不稳定的情况。当不想挨个实践的时候，首推 focal loss，dice loss。

以上所有 Loss 的代码仅为逻辑参考，完整的代码及相关参考论文都在：

https://github.com/shuxinyin/NLP-Loss-Pytorch

更多阅读

#投稿通道#

让你的文字被更多人看到

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

NLP类别不均衡问题之loss大集合相关推荐

类别不均衡问题之loss大集合：focal loss, GHM loss, dice loss 等等
数据类别不均衡问题应该是一个极常见又头疼的的问题了.最近在工作中也是碰到这个问题,花了些时间梳理并实践了类别不均衡问题的解决方式,主要实践了"魔改"loss(focal loss, ...
NLP文本情感分析:测试集loss比训练集loss大很多，训练集效果好测试集效果差的原因
NLP情感分析:测试集loss比训练集loss大很多一.前言二.原因一.前言最近在学习神经网络自然语言处理的相关知识,发现运行的之后测试集的loss比训练集的loss大很多,而accuracy ...
ICLR 2020 | 如何解决图像分类中的类别不均衡问题？不妨试试分开学习表征和分类器...
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转载自:机器之心在图像分类任务中类别不均衡问题一直是个难点,在 ...
最全目标检测相关资料整理 (目标检测+数据增强+卷价神经网络+类别不均衡...)
1 小目标检测: 综述: 综述论文Augmentation for small object detection 深度学习笔记(十)Augmentation for small object dete ...
类别不均衡的分类问题
文章目录 1. 欠采样 (1)NearMiss (2)Tomek Link (3)ENN(edited nearest neighbour) 2. 过采样 (1)SMOTE(Synthetic Min ...
标签平滑和样本类别不均衡处理方式
文章目录 1. 论文 1.1 Label Smoothing 1.2 Focal Loss 2. 代码实现 2.1 Label Smoothing loss function 2.2 labels m ...
【机器学习与深度学习理论要点】10.什么是置信概率、什么是交叉验证、解决类别不均衡问题？
1)什么是置信概率? 置信概率是用来衡量推断结果的概率,该值越大说明推断结果确定性越大,该值越小说明推断结果不确定性越大. 2)什么是交叉验证? 交叉验证指将含有N个样本的数据集,分成K份,每份N/K ...
Dataset：数据集集合(NLP方向数据集)——常见的自然语言处理数据集大集合(建议收藏，持续更新)
Dataset:数据集集合(NLP方向数据集)--常见的自然语言处理数据集大集合(建议收藏,持续更新) 目录 NLP数据集特点常见的NLP数据集 1.生物数据集以及自然语言处理数据集常见的使用案例 ...
算法岗面试常见问题大集合
1.参考博客算法岗面试常见问题大集合算法工程师手册 2.模型过拟合的解决方法 L1/L2正则化(原理奥卡姆剃刀):L2正则化也叫作权重衰减,目标函数中增加所有权重w参数的平方之和,迫使所有w可能趋 ...

NLP类别不均衡问题之loss大集合

NLP类别不均衡问题之loss大集合相关推荐

最新文章

热门文章