一、监督学习中的损失函数公式
在监督学习中,上面公式是我们最常见的形式,其中,q为query representation,也就是特征,w_y是fc层的权重,相乘得到logits。
二、长尾中重加权的损失函数公式
以Class-Balanced Loss Based on Effective Number of Samples这篇论文为例,为了解决数据的不平衡问题,通常在传统损失函数前面乘以权重。
三、无监督对比学习MoCo
简单介绍一下这个著名的算法MoCo,即Momentum Contrast。
首先,在没有标签的情况下,我们通过数据增强来得到正样本和负样本,比如,对原始的一张图片a分别进行两次数据增强得到b、c,b、c来自同一张图片,这就是一对正样本,而来自不同图片的就是负样本。
对比学习就是当我们没有样本的标签时,我们希望通过衡量样本和样本之间的特征相似性来对它们进行区分,也就是减小与正样本的距离,拉大与负样本的距离,
Parametric Contrastive Learning:长尾问题中的对比学习
最新推荐文章于 2024-06-24 11:57:56 发布
本文探讨了在长尾分布数据中,对比学习的挑战与解决方案。从监督学习的损失函数出发,介绍了Class-Balanced Loss解决数据不平衡的方法。接着,详细解析了无监督对比学习算法MoCo的工作原理,特别是其动量更新和队列存储策略。随后,讨论了有监督对比学习如何处理多正样本的情况。最后,文章聚焦于Parametric Contrastive Learning,该方法结合MoCo与长尾学习,通过参数调整平衡正负样本的影响。
摘要由CSDN通过智能技术生成