重新思考平均精度优化：仅惩罚正例之前的负例已足够
信息检索
2022-05-10 v4 人工智能
摘要
平均精度（AP）近似的优化在图像检索中已被广泛研究。受AP定义的限制，此类方法同时考虑排在每个正例之前的负例和正例。然而，我们指出仅惩罚正例之前的负例已足够，因为损失仅来自这些负例。为此，我们提出了一种新颖的损失函数，即惩罚正例之前的负例（PNP），它可直接最小化每个正例之前的负例数量。此外，基于AP的方法采用固定且次优的梯度分配策略。因此，我们通过构造损失的导数函数系统地研究了不同的梯度分配方案，得到了具有递增导数函数的PNP-I和具有递减导数函数的PNP-D。PNP-I通过分配更大梯度给困难正例而更关注它们，并试图使所有相关实例更靠近。相反，PNP-D较少关注此类实例并缓慢修正它们。对于大多数真实数据，一个类别通常包含若干局部簇。PNP-I盲目地聚集这些簇，而PNP-D保持它们原状。因此，PNP-D更具优势。在三个标准检索数据集上的实验显示了与上述分析一致的结果。大量评估表明PNP-D达到了最先进的性能。代码见 https://github.com/interestingzhuo/PNPloss
引用
@article{arxiv.2102.04640,
title = {Rethinking the Optimization of Average Precision: Only Penalizing Negative Instances before Positive Ones is Enough},
author = {Zhuo Li and Weiqing Min and Jiajun Song and Yaohui Zhu and Liping Kang and Xiaoming Wei and Xiaolin Wei and Shuqiang Jiang},
journal= {arXiv preprint arXiv:2102.04640},
year = {2022}
}