# APL 추가

사실관계 정리

• +, - Loss 로 구별할 수 있고, 해당 Loss 에 감마를 높인다는 것(많이 곱한다는 것은) 가중을 덜 주는 것과 같다. 따라서 예컨대 True 에 가중을 더 주고싶다면 감마+= 1 , 알파1 = 2 과 같은 선택을 하면 된다.

• 알파1은 p에 상관없이 지속적인 gradient 의 제공, 알파2는 p와 선형적인 연관을 가진다. 나머지 식은 p와 강하게 연결되어 있다.

• negative 는 threshold 를 설정하여 훈련에 영향을 미치지 않도록 할 수 있고, 베타1 을 조정하는 것이 긍정, 부정 클래스의 비율을 조정하는데 도움이 된다. 베타는 높아질수록 BCE loss 와 가까워지고, 낮아질수록 (0에 가까워질수록) BCE loss 와 멀어진다.

• 베타1을 조정하는 건 mislabelling problem 을 조정할 수 있다.

• 베타 = 1을 유지하면 감마- 를 아무리 다르게 해봤자 별로 소용이 없다.

• 베타를 조금만 바꾸면 loss 값이 크게 달라진다. 0-1.25 사이에서 BCE loss 와 비슷한데, 1.25는 0.6 이상 p에서 loss 가 BCE 보다 더 찍히고, 0은 계속 덜 찍힌다.

• 알파1, 알파2 를 바꾸면 감마+을 조정할 수 있다. 감마+=0 으로 고정하고 감마- > 0 으로 하면 negative 에 가중을 덜 준다는 것인데

• 감마+=0 이고 threshold 0.05 일때 감마-를 1부터 5까지 돌려본 결과 3이 제일 좋았음.
• 감마- = 3 으로 맞춘다음, 감마+도 1부터 4까지 돌려본 결과 그냥 0이 좋았음.
• 알파1 = 1 로 설정하고 서서히 올릴수록 값도 올랐고 알파1 = 2.5 로 설정함. (다른 실험에선 1.4가 았음.)
• 베타1을 올릴수록 mislabel 문제가 해결되긴 함.