冷不丁看名字眼生, 瞄了眼论文想起来了. 为了方便在此做个引子, 方便查找.
建议读这个博客,仰望大神.
知乎的解释, 论文作者也有回答.
引子
k分类问题该怎么设计loss?
选择circle loss.
它能让正负例同时效劳, 并逼迫网络让负例更小, 正例更大, 直到所有正例的概率大于所有负例的概率.
这比传统的loss有更高的要求, 且是一步步推导出来的, 可解释性很强.
对于k不确定的分类, 又怎么办?
可以设置一个标签s0, 令所有正例的s比s0大, 所有负例的s比s0小. 只需稍微修改loss, 简化后形式简洁, 很养眼.具体请看第一个链接的式(11).