Optimization-AI/LibAUC

解决的问题

LibAUC 解决了在深度学习中直接优化复杂性能指标（X-Risk）的困难。它不依赖于标准的代理损失，而是提供工具来直接优化 AUROC、AUPRC 和 NDCG 等指标，这些指标在特定现实任务中往往更为关键，但直接优化却更具挑战性。

工作原理

该库提供了一个统一的框架和用户友好的 API，用于实现代理损失和专用优化器。它抽象了多个领域中复合损失函数的优化过程：

• 不均衡数据分类（CID）： 针对 AUROC、AUPRC/AP 和部分 AUROC 的代理损失。
• 学习排序（LTR）： 针对 NDCG、top-K NDCG 和列表级损失的代理损失。
• 表示的对比学习（CLR）： 全局对比损失。

适用人群

专为在不均衡数据集、排序系统或对比表示学习领域工作的 AI 研究人员和实践者设计，他们需要优化特定性能指标，而非通用的交叉熵损失。

主要亮点

• 广泛的应用支持： 覆盖不均衡分类、学习排序和对比学习。
• 多样化的指标支持： 包括对 AUROC、AUPRC、NDCG 和 pAUC 的优化。
• 集成工具链： 提供专用的 LibAUC Trainer 并支持分布式训练。
• 模型集成： 兼容 PyTorch，并可与 Hugging Face 模型集成。