1. 주요 기법과 목적

in Til on Til

| 기법 | 주요 목적 | | — | — | | Weighted Sampler | 소수 클래스 샘플 비율 증가 → Recall(재현율) 개선. | | Focal Loss | 어려운 샘플에 초점 → Recall 직접 개선, Precision 간접 개선 가능. | | Data Augmentation | 소수 클래스 데이터 다양성 증가 → 클래스 불균형 완화 및 모델 일반화 성능 향상. | | α, γ 추가 조정 | α: 클래스 중요성 강조, γ: 어려운 샘플에 초점 조정 → 손실 함수 최적화. | | 하이퍼파라미터 튜닝 | 학습률, α, γ 등 최적화를 통해 성능 극대화. | | 도메인 적응 기법 | 학습/실제 도메인 간 분포 차이를 줄여 일반화 성능 향상. | —

2. Focal Loss와 평가 지표의 관계

  • Recall:
    • 어려운 샘플(FN 감소)에 집중하여 직접 개선.
    • FN 감소를 통해 긍정 클래스를 더 잘 예측.
  • Precision:
    • FP 감소 가능성으로 간접 개선 가능.
    • Precision 개선이 주요 목표라면 Threshold 조정, Class Weight 등의 기법과 병행 추천. | 지표 | Focal Loss의 효과 | | — | — | | Recall | 어려운 샘플에 초점(FN 감소) → 직접 개선. | | Precision | FP 감소 가능 → 간접 개선 가능. Precision 개선에는 보조 기법 필요. | —

      3. 전략의 우선순위

      | 상황 | 1순위 | 2순위 | 3순위 | 추가 조정 | | — | — | — | — | — | | Recall이 낮은 경우 | Weighted Sampler | Focal Loss | Data Augmentation | α, γ 추가 조정 | | Precision이 낮은 경우 | Focal Loss | Data Augmentation | Weighted Sampler | α, γ 추가 조정 | | Recall & Precision 모두 낮음 | Weighted Sampler + Focal Loss | Data Augmentation | 하이퍼파라미터 튜닝 | α, γ 추가 조정 | —

      4. 적용 방안 요약

      1. Recall 개선:
    • Weighted Sampler로 소수 클래스 샘플 비율 증가.
    • Focal Loss로 어려운 샘플에 초점.
    • Data Augmentation으로 데이터 다양성 강화.
      1. Precision 개선:
    • Focal Loss로 FP 감소 유도.
    • Data Augmentation으로 클래스 간 구분 명확화.
    • 필요 시 Weighted Sampler 보조.
      1. Recall & Precision 모두 낮음:
    • Weighted Sampler + Focal Loss를 함께 적용.

    • Data Augmentation과 하이퍼파라미터 튜닝 병행.

      결론

  • Focal Loss는 Recall 개선에 직접적, Precision에는 간접적 효과.
  • Weighted Sampler는 데이터 단계에서 소수 클래스 비율 증가로 Recall에 유리.
  • Precision 개선이 주요 목표일 경우 Focal Loss와 추가 기법(Threshold 조정 등)을 병행하는 것이 적합.