Huber 与 Focal Loss

Huber loss(平滑 L1): 对残差 $r = y - f(x)$, 小误差用二次、大误差用线性, 分段定义为 $\mathcal{L}_\delta(r) = \begin{cases} \frac{1}{2}r^2, & |r| \le \delta \\ \delta(|r| - \frac{1}{2}\delta), & |r| > \delta \end{cases}$——在 $|r| = \delta$ 处连续可导, 对大离群点梯度恒定(不爆炸), 对多数样本仍保持 L2 的快速收敛; 目标检测中常以 Smooth L1 形式出现。Focal Loss: $FL(p_t) = -\alpha_t (1-p_t)^\gamma \log p_t$, 其中 $p_t$ 是真实类别的预测概率, $\gamma \in [0,5]$ 为调制因子(常用 2), $\alpha_t$ 为类别权重——当 $p_t \to 1$(易分样本)时 $(1-p_t)^\gamma \to 0$, 损失被急剧压低; 当 $p_t$ 小(难分样本)时权重接近 1, 损失保留, 由 RetinaNet 提出解决“易分负样本淹没梯度”的问题。

Huber/Smooth L1 — 回归任务含离群点、需要梯度稳定的场景(目标检测框回归、坐标回归); Focal — 稠密目标检测、类别极不平衡的分类(背景框 vs 目标框可达 1:1000)。

对离群点, MSE 梯度随误差线性增长、单个异常样本就能主导梯度, MAE 虽鲁棒但在 0 处不可导且小误差时梯度恒定、收敛慢; Huber 在两者间折中——小误差 L2 收敛快、大误差 L1 梯度被截断在 $\pm\delta$ 内, 既鲁棒又处处可导。Focal 解决“大量易分负样本(如背景)贡献了绝大部分 CE 损失、梯度被稀释”: 调制因子把易分样本的贡献指数级压低, 使训练注意力转向少数难分正样本, 与重采样/class weight 互补而非替代。

检验攻克程度：针对「Huber 与 Focal Loss」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。