基数增强型损失函数

类别不平衡是神经网络训练中常见且顽固的问题。不平衡的多数类常常主导训练, 导致分类器性能倾向于多数结果。为解决这一问题, 我们引入基数增强型损失函数, 源自现代数学文献中类似基数的不变式, 如 magnitude 和 spread。这些不变式通过评估度量空间的 `有效多样性' 来丰富基数的概念, 因此代表了对过度均匀训练数据的自然解决方案。在本工作中, 我们建立了将基数增强型损失函数应用于神经网络训练的方法, 并在人工不平衡数据集以及真实世界的材料科学数据集上报告结果。我们观察到在少数类方面显著的性能提升, 以及整体性能指标的提升。