zoukankan      html  css  js  c++  java
  • Rank loss调研

    Rank loss调研

    A Generic Graph-based Neural Architecture Encoding Scheme for Predictor-based NAS这一篇文章对于rank loss有着详细的介绍。作者在真正做实验的时候,使用了好几种rank相关的loss,最后发现pairwise的这种comparator是最好的。

    如果MSE loss表示如下的话,

    [L({a_j, y_j}_{j=1,...,N} = sum_{j=1}^{N}(P(a_j)-y_j)^2 ]

    则hinge pair-wise ranking loss则可以表示为

    [L({a_j, y_j}_{j=1,...N}) = sum_{j=1}^{N}sum_{i, y_{i}>y_{j}} max[0, m-(P(a_i)-P(a_j))] ]

    (a_i)为与测试,(y_i)为GT。上述公式表示的意思是,(j)的索引从1到(N),然后再找那些大于(y_j)的索引(i), 然后理论上我们想要得到的是(P(a_i)>P(a_j))。所以如果上述条件满足的话,上述loss的右边的一项为负数,所以loss为0,大概是加了一个m,允许在一定范围内波动也是允许的。

    rank loss分为两种,一种是pairwise的ranking loss,另外一种是listwise ranking loss

    pairwise ranking loss

    pairwise rank loss可以表示如下

    [L^p( ilde{S}) = sum_{i=1}^{N}sum_{jin{j|y_i<y_j}} phi(P(a_j), P(a_i)) ]

    其中(phi)有两种形式,一种是二值交叉熵函数

    [phi(s_j, s_i) = log(1+e^{(s_j-s_i)}) ]

    另外一种是hinge loss函数,可以描述为如下

    [phi(s_j, s_i) = max(0, m-(s_j-s_i)) ]

    其中(m)是正的margin

    除此之外,作者还使用了一个pairwise comparator

    listwise ranking loss

    作者还使用了ListMLE这种list ranking loss。

  • 相关阅读:
    python学习之路(3)
    扫描工具-Nikto
    python学习之路(2)(渗透信息收集)
    openvas 安装
    python 学习之路(1)
    BZOJ4004:[JLOI2015]装备购买——题解
    HDU3949:XOR——题解
    洛谷3812:【模板】线性基——题解
    BZOJ4566:[HAOI2016]找相同字符——题解
    BZOJ3238:[AHOI2013]差异——题解
  • 原文地址:https://www.cnblogs.com/yongjieShi/p/14812125.html
Copyright © 2011-2022 走看看