[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,61 +2,231 @@
|
||||
id: wiki-2026-0508-focal-loss
|
||||
title: Focal Loss
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [LOSS-002]
|
||||
aliases: [focal loss, class imbalance, RetinaNet, hard example mining, dense detection]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, Deep-Learning, loss-function, focal-loss, imbalanced-data]
|
||||
confidence_score: 0.97
|
||||
verification_status: applied
|
||||
tags: [deep-learning, loss-function, focal-loss, class-imbalance, object-detection, retinanet]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch / TensorFlow
|
||||
---
|
||||
|
||||
# Focal Loss (포컬 손실)
|
||||
# Focal Loss
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미 잘 아는 쉬운 문제에 안주하지 말고, 틀리기 쉬운 어려운 문제에 더 집중하여 학습하라" — 클래스 불균형이 심한 데이터셋에서 대다수를 차지하는 배경이나 쉬운 샘플의 기여도를 낮추고, 희귀하거나 어려운 샘플에 가중치를 두어 학습 효율을 극대화하는 손실 함수.
|
||||
## 매 한 줄
|
||||
> **"매 cross-entropy 의 의 의 의 (1-p_t)^γ factor"**. Lin 2017 (RetinaNet). 매 easy example 의 down-weight + 매 hard example 의 focus. 매 dense object detection 의 enable. 매 modern: 매 detection, 매 imbalanced classification, 매 instance segmentation.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 기존 교차 엔트로피 손실 함수에 변조 계수(Modulating Factor, $(1-p_t)^\gamma$)를 추가하여, 모델이 이미 확신하고 있는(높은 $p_t$) 샘플의 손실값은 급격히 감소시키고 불확실한 샘플의 손실값은 유지하는 집중 학습 패턴.
|
||||
- **주요 파라미터:**
|
||||
- **Gamma ($\gamma$):** 쉬운 샘플을 얼마나 강하게 무시할지 결정하는 집중 파라미터.
|
||||
- **Alpha ($\alpha$):** 클래스별 가중치 밸런스를 조절.
|
||||
- **의의:** 1단계 객체 탐지 모델(예: RetinaNet)에서 전경(Object)보다 압도적으로 많은 배경(Background) 샘플로 인해 학습이 방해받는 문제를 해결하며 혁신적인 성능 향상 도출.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 샘플링 비율을 조절(Oversampling/Undersampling)하던 방식에서, 손실 함수 자체를 수정하여 데이터의 중요도를 동적으로 제어하는 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트는 수만 개의 일반 지식 문서 사이에서 극소수의 '핵심 프로젝트 로그'를 분류해내는 정밀 탐지 모델 학습 시 포컬 손실을 사용하여 오분류율을 획기적으로 낮춤.
|
||||
### 매 formula
|
||||
```
|
||||
FL(p_t) = -α_t (1 - p_t)^γ log(p_t)
|
||||
```
|
||||
- p_t: 매 predicted prob 의 true class.
|
||||
- γ: 매 focusing parameter (typically 2).
|
||||
- α: 매 class weight (balance).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Cross-Entropy-Loss, [[Computer-Vision|Computer-Vision]]-[[Mastery|Mastery]], Deep-Learning-Foundations, Object-Detection-Mastery
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Focal-Loss.md
|
||||
### 매 motivation
|
||||
- 매 dense detection: 매 1000s neg vs 10s pos.
|
||||
- 매 CE 의 easy negs 의 dominate.
|
||||
- 매 (1-p_t)^γ 의 의 well-classified 의 의 의 weight ↓.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Object detection** (RetinaNet, FCOS, ATSS).
|
||||
2. **Instance segmentation**.
|
||||
3. **Imbalanced classification**.
|
||||
4. **Medical** (rare disease).
|
||||
5. **Fraud / anomaly**.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 alternative
|
||||
- **Class weights** (CE).
|
||||
- **Online Hard Example Mining (OHEM)**.
|
||||
- **Balanced sampling**.
|
||||
- **Asymmetric loss** (multi-label).
|
||||
- **Class-balanced loss** (Cui 2019).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Focal loss (binary)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn.functional as F
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def focal_loss_binary(logits, targets, alpha=0.25, gamma=2.0):
|
||||
p = torch.sigmoid(logits)
|
||||
p_t = p * targets + (1 - p) * (1 - targets)
|
||||
alpha_t = alpha * targets + (1 - alpha) * (1 - targets)
|
||||
ce = F.binary_cross_entropy_with_logits(logits, targets, reduction='none')
|
||||
focal = alpha_t * (1 - p_t).pow(gamma) * ce
|
||||
return focal.mean()
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Focal loss (multi-class)
|
||||
```python
|
||||
def focal_loss_multi(logits, targets, gamma=2.0, alpha=None):
|
||||
"""logits: [B, C], targets: [B]."""
|
||||
log_p = F.log_softmax(logits, dim=-1)
|
||||
log_pt = log_p.gather(1, targets.unsqueeze(1)).squeeze(1)
|
||||
pt = log_pt.exp()
|
||||
|
||||
focal = -((1 - pt) ** gamma) * log_pt
|
||||
if alpha is not None:
|
||||
focal = alpha[targets] * focal
|
||||
return focal.mean()
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### As nn.Module
|
||||
```python
|
||||
class FocalLoss(torch.nn.Module):
|
||||
def __init__(self, alpha=0.25, gamma=2.0):
|
||||
super().__init__()
|
||||
self.alpha = alpha
|
||||
self.gamma = gamma
|
||||
|
||||
def forward(self, logits, targets):
|
||||
return focal_loss_binary(logits, targets, self.alpha, self.gamma)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### RetinaNet detection
|
||||
```python
|
||||
class RetinaNetLoss(torch.nn.Module):
|
||||
def __init__(self, n_classes, gamma=2.0, alpha=0.25):
|
||||
super().__init__()
|
||||
self.classification = FocalLoss(alpha=alpha, gamma=gamma)
|
||||
self.regression = torch.nn.SmoothL1Loss()
|
||||
|
||||
def forward(self, cls_logits, box_preds, cls_targets, box_targets, fg_mask):
|
||||
cls_loss = self.classification(cls_logits, cls_targets)
|
||||
n_fg = fg_mask.sum().clamp(min=1)
|
||||
box_loss = self.regression(box_preds[fg_mask], box_targets[fg_mask])
|
||||
return cls_loss + box_loss / n_fg
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Class-balanced focal (Cui 2019)
|
||||
```python
|
||||
def class_balanced_focal(logits, targets, samples_per_class, beta=0.999, gamma=2.0):
|
||||
"""매 effective number per class."""
|
||||
eff_num = 1 - beta ** samples_per_class
|
||||
weights = (1 - beta) / eff_num
|
||||
weights = weights / weights.sum() * len(samples_per_class)
|
||||
|
||||
log_p = F.log_softmax(logits, -1)
|
||||
log_pt = log_p.gather(1, targets.unsqueeze(1)).squeeze()
|
||||
pt = log_pt.exp()
|
||||
return (-weights[targets] * (1 - pt) ** gamma * log_pt).mean()
|
||||
```
|
||||
|
||||
### Asymmetric focal (multi-label)
|
||||
```python
|
||||
def asymmetric_focal(logits, targets, gamma_pos=1, gamma_neg=4, clip=0.05):
|
||||
"""매 Ben-Baruch 2020. 매 asymmetric γ."""
|
||||
p = torch.sigmoid(logits)
|
||||
p_neg = (p - clip).clamp(min=0)
|
||||
|
||||
pos_loss = targets * (1 - p) ** gamma_pos * torch.log(p.clamp(min=1e-8))
|
||||
neg_loss = (1 - targets) * p_neg ** gamma_neg * torch.log((1 - p).clamp(min=1e-8))
|
||||
return -(pos_loss + neg_loss).mean()
|
||||
```
|
||||
|
||||
### γ tuning
|
||||
```python
|
||||
# 매 typical γ
|
||||
GAMMA_VALUES = {
|
||||
'extreme_imbalance': 5.0,
|
||||
'object_detection': 2.0, # RetinaNet
|
||||
'medical_rare_disease': 3.0,
|
||||
'mild_imbalance': 1.0,
|
||||
'no_imbalance': 0, # 매 = CE
|
||||
}
|
||||
```
|
||||
|
||||
### Focal vs CE comparison
|
||||
```python
|
||||
def compare_losses(p_easy=0.95, p_hard=0.5):
|
||||
"""매 easy 매 hard 의 contribution."""
|
||||
ce_easy = -torch.log(torch.tensor(p_easy))
|
||||
ce_hard = -torch.log(torch.tensor(p_hard))
|
||||
|
||||
fl_easy = (1 - p_easy) ** 2 * ce_easy
|
||||
fl_hard = (1 - p_hard) ** 2 * ce_hard
|
||||
|
||||
print(f'CE: easy {ce_easy:.3f}, hard {ce_hard:.3f}, ratio {ce_hard/ce_easy:.1f}x')
|
||||
print(f'Focal γ=2: easy {fl_easy:.4f}, hard {fl_hard:.3f}, ratio {fl_hard/fl_easy:.0f}x')
|
||||
# 매 focal 의 hard 의 의 의 의 dominate
|
||||
```
|
||||
|
||||
### OHEM alternative
|
||||
```python
|
||||
def ohem_loss(logits, targets, ratio=0.25):
|
||||
"""매 매 batch 의 매 hardest examples만 keep."""
|
||||
losses = F.cross_entropy(logits, targets, reduction='none')
|
||||
n_keep = int(len(losses) * ratio)
|
||||
topk = losses.topk(n_keep)[0]
|
||||
return topk.mean()
|
||||
```
|
||||
|
||||
### Combine: focal + dice (segmentation)
|
||||
```python
|
||||
def focal_dice(logits, targets):
|
||||
fl = focal_loss_binary(logits, targets)
|
||||
p = torch.sigmoid(logits)
|
||||
intersection = (p * targets).sum()
|
||||
dice = 1 - 2 * intersection / (p.sum() + targets.sum() + 1)
|
||||
return fl + dice
|
||||
```
|
||||
|
||||
### Eval metric (PR-AUC for imbalanced)
|
||||
```python
|
||||
from sklearn.metrics import average_precision_score
|
||||
def eval_imbalanced(probs, targets):
|
||||
return {
|
||||
'pr_auc': average_precision_score(targets, probs),
|
||||
# 매 not accuracy — meaningless for imbalanced
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Loss |
|
||||
|---|---|
|
||||
| Dense object detection | Focal (γ=2) |
|
||||
| Mild imbalance | Class-weighted CE |
|
||||
| Extreme imbalance | Focal (γ=3-5) |
|
||||
| Multi-label imbalanced | Asymmetric focal |
|
||||
| Segmentation | Focal + Dice |
|
||||
| Easy task | Plain CE |
|
||||
|
||||
**기본값**: 매 imbalance > 100:1 → focal γ=2 + α=0.25. 매 multi-label → asymmetric. 매 evaluation = PR-AUC, not accuracy.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Loss-Function]] · [[Object-Detection]]
|
||||
- 변형: [[Asymmetric-Focal]] · [[Class-Balanced-Focal]]
|
||||
- 응용: [[RetinaNet]] · [[FCOS]] · [[Imbalanced-Classification]]
|
||||
- Adjacent: [[Cross-Entropy-Loss]] · [[OHEM]] · [[Dice-Loss]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 detection. 매 imbalanced. 매 medical.
|
||||
**언제 X**: 매 balanced. 매 regression.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Focal for balanced**: 매 underfit.
|
||||
- **γ too high**: 매 most examples 의 ignore.
|
||||
- **No α**: 매 class balance 의 still off.
|
||||
- **Accuracy metric**: 매 imbalanced 의 misleading.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Lin RetinaNet 2017, Cui 2019, Ben-Baruch ASL 2020).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-26 | LOSS-002 auto |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — focal + 매 binary / multi / asymmetric / class-balanced code |
|
||||
|
||||
Reference in New Issue
Block a user