---
id: wiki-2026-0508-focal-loss
title: Focal Loss
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [LOSS-002]
duplicate_of: none
source_trust_level: A
confidence_score: 1.0
tags: [ai, Deep-Learning, loss-function, focal-loss, imbalanced-data]
raw_sources: []
last_reinforced: 2026-04-26
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---

# Focal Loss (포컬 손실)

## 📌 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.

## 📖 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.

## ⚠️ 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.

## 🔗 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

## 🤖 LLM 활용 힌트 (How to Use This Knowledge)

**언제 이 지식을 쓰는가:**
- *(TODO)*

**언제 쓰면 안 되는가:**
- *(TODO)*

## 🧪 검증 상태 (Validation)

- **정보 상태:** needs_review
- **출처 신뢰도:** A
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*

## 🧬 중복 검사 (Duplicate Check)

- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
- **처리 방식:** UPDATE (자동 정규화)
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

## 🕓 변경 이력 (Changelog)

| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |