（DCL）Dynamic Curriculum Learning for Imbalanced Data Classification

Dynamic Curriculum Learning for Imbalanced Data Classification

动态课程学习用于样本不均衡分类

对于数据不平衡，可以用重采样和代价平衡（cost-sensitive），但它们需要先验知识。为了解决这一问题，本文提出DCL框架，用于每个batch中在线自适应调节采样策略和损失学习，其泛化性能和判别能力更强。受CL启发，DCL由两级课程调度组成：1、采样调度器，在每个batch中选择更有意义的样本，不仅将数据分布由不平衡变成平衡，同时也从容易到难；2、损失调度器，控制分类和度量损失之间的重要性。

样本数目少的类别分类器对其分类效果较差。重采样可能出现过拟合现象，降采样会使得有用信息丢失；代价平衡是给错分的样本数目少的类别更大的损失，但难决定给的meaningful 损失。

DCL出发思想是:教体系先学习所有类好的表达，然后是正确分类，很好的平衡class bias acc(正确预测数/总数)和class balance acc（每一类的平均准确率）；交叉熵损失（CE）和度量损失结合(ML)，但贡献不同。因为训练时让他俩同等地位，则无法充分利用深度CNN的判别能力。CE更多的关注分配标签的分类，而ML则更关注学习特征嵌入去分不同的样本（不需要分配标签，如验证）。

3.1. Scheduler Function Design

设计四种调度函数：凸函数，cos学习速度由慢到快；线性函数，linear常数学习速度；凹函数，exp学习速度有快到慢；混合函数，学习速度由慢到快再到慢。（