LBL：用于单类分类的对数障碍损失函数
计算机视觉与模式识别
2026-02-10 v3
摘要
单类分类（OCC）旨在仅利用目标类数据训练分类器，因其在现实应用中的强适用性而备受关注。尽管 OCC 已取得诸多进展，仍缺乏面向深度学习的有效 OCC 损失函数。本文首先通过平滑逼近 OCC 目标，提出一种新颖的基于对数障碍函数的 OCC 损失（LBL），其对边界样本赋予大梯度，从而得到更紧致的超球面。但 LBL 的优化可能不稳定，尤其当样本位于边界导致损失无穷大时。为解决该问题，我们将单侧松弛 Sigmoid 函数引入 LBL，提出名为 LBLSig 的新型 OCC 损失。LBLSig 可视为均方误差（MSE）与交叉熵（CE）的融合，且因单侧松弛 Sigmoid 函数，其优化更为平滑。所提 LBL 与 LBLSig 的有效性在不同网络结构上与若干流行 OCC 算法的对比实验中得到了验证。源代码见 https://github.com/ML-HDU/LBL_LBLSig。
引用
@article{arxiv.2307.10753,
title = {LBL: Logarithmic Barrier Loss Function for One-class Classification},
author = {Ziyang Jiang and Peng Lin and Tianlei Wang},
journal= {arXiv preprint arXiv:2307.10753},
year = {2026}
}