使用WeightedRandomSampler处理类不平衡（PyTorch）

参考博客：

博客一：Address class imbalance easily with Pytorch | by Mastafa Foufa | Analytics Vidhya | Medium

播客二：Address class imbalance easily with Pytorch Part 2 | by Mastafa Foufa | Towards Data Science

类不平衡

如论文所给出的结论，处理类不平衡的主要方法是过采样。过采样应被应用至完全消除类不平衡，而优化的欠采样系数取决于不平衡的程度。与一些经典的机器学习模型不同，过采样不会导致CNN网络过拟合。

假设数据集中包含两类：$clas{s}_1$和$clas{s}_2$，基于均匀分布，那么从$clas{s}_1$中随机采样得到的概率为
p ( x ∈ c l a s s i ) = # { c l a s s i } # { t r a i n } = N c l a s s i N t r a i n p(x\in class_i)=\frac{\#\{class_i\}}{\#\{train\}}=\frac{N_{class_i}}{N_{train}} p(x∈classi​)=#{train}#{classi​}​=Ntrain​Nclassi​​​

但是，实际可能二分类中，某一类数量远大于另一类
$$N_{clas{s}_1}\gg N_{clas{s}_2}$$
也就是说
$$p(x\in clas{s}_1)\gg p(x\in clas{s}_2)$$
如果使用该数据集来训练模型，那么模型看到$clas{s}_1$的机会远大于$clas{s}_2$，导致模型无法从$clas{s}_2$中学到有用的特征。

因此，我们应首先进行人工增强数据，即增强小类数据，使得
$$p(x\in clas{s}_1)\approx p(x\in clas{s}_2)$$

使用 WeightedRandomSampler

博客一以二分类（比例为9：1），给出的源代码为

处理前和处理后的每个batch中的类分布

由该函数的Pytorch源代码可以看出，关键思想为，由控制参数的多项式分布中进行样本采样。

Pytorch使用多项式分布，其参数为weights, number of samples，以及采样是否放回的replacement.

Pytorch中引入的关键思想为基于多项式分布来从一组点中进行采样。每个样本被赋予采样的概率。该概率由其类权重参数来定义。

一个简单的例子

假设数据集具有以下形式，左边为100个样本，中间为类分布，右边为WeightedRandomSampler赋予的权重参数。蓝色为大类，红色为小类。

我们可以控制权重，对小类给予更大的权重：
$$W_1\gg W_0$$
权重参数设置如下：
$$W_0=\frac{N}{N_0}=\frac{100}{90}\approx 1.11$$

$$W_1=\frac{N}{N_1}=\frac{100}{10}=10$$

使用类似softmax函数的方法来正规化权重矢量来得到采样概率
$$p(c_0)=\frac{90W_0}{(10W_0+90W_1)}\approx 0.0056$$

$$p(c_1)=\frac{10W_1}{(10W_0+90W_1)}=0.05$$

注意：我们必须在整个数据集上进行正规化。目的是为了矢量的元素和等于1

接下来，我们从数学上来证明，100次随机采样，可以从两个类中分别采样到50和50样本。

从类$c_1$中采样到的样本数为
$$E[c_1]=\sum _{i=91}^{100}m\ast p(c_1)=\sum _{i=91}^{100}100\ast 0.05=50$$
从类$c_0$中采样到的样本数为
$$E[c_0]=\sum _{i=1}^{90}m\ast p(c_0)=\sum _{i=1}^{90}100\ast 0.0056\approx 50.4$$