Optimization-AI/LibAUC

解決的問題

LibAUC 解決了在深度學習中直接優化複雜性能指標（X-Risk）的困難。它不依賴標準的代理損失，而是提供工具來直接優化 AUROC、AUPRC 和 NDCG 等指標，這些指標在特定現實任務中往往更為關鍵，但直接優化卻更具挑戰性。

工作原理

該庫提供了一個統一的框架和使用者友好的 API，用於實現代理損失和專用最佳化器。它抽象了多個領域中複合損失函數的最佳化過程：

• 不均衡資料分類（CID）： 面向 AUROC、AUPRC/AP 和部分 AUROC 的代理損失。
• 學習排序（LTR）： 面向 NDCG、top-K NDCG 和列表級損失的代理損失。
• 表示的對比學習（CLR）： 全域對比損失。

適用對象

專為在不均衡資料集、排序系統或對比表示學習領域工作的 AI 研究人員和實務者設計，他們需要優化特定性能指標，而非通用的交叉熵損失。

主要亮點

• 廣泛的應用支援： 覆蓋不均衡分類、學習排序和對比學習。
• 多樣化的指標支援： 包括對 AUROC、AUPRC、NDCG 和 pAUC 的優化。
• 整合工具鏈： 提供專用的 LibAUC Trainer 並支援分散式訓練。
• 模型整合： 兼容 PyTorch，並可與 Hugging Face 模型整合。