重み付け交差エントロピー損失関数を用いたマルチラベル分類における不均衡の解消

モデルとネットワークを不均衡なデータセットで訓練することは、常に機械学習分野における重要な課題であり、研究者によって議論されてきました。実際、利用可能な機械学習アルゴリズムは、中程度の不均衡なデータセットを前提として設計されており、主にデータセットの不均衡問題を考慮していません。機械学習アルゴリズムにおいて、不均衡問題は、あるクラスのサンプル数がもう一方のクラスと比較して著しく少ない場合に現れます。データセットの不均衡問題を解決するために、機械学習、特に深層学習の分野で複数のアルゴリズムが提案されています。本研究では、通常の交差エントロピー（二項交差エントロピー）の代わりに学習プロセスにおいて重み付け二項交差エントロピーを損失関数として使用しました。このモデルは、学習プロセス中に少数クラスサンプルにより多くのペナルティを割り当てることで、少数クラスサンプルがより正確に検出されるようにします。最終的に、精度を維持しつつ再現率を向上させることができました。実際の結果は、重み付け二項交差エントロピーを使用することで再現率が約10%向上し、精度は二項交差エントロピーと比較して3%を超えて低下しないことを示しています。