·阅读摘要：
本文更像是对多标签文本分类的损失函数的综述，文中提到的几个损失函数（包括为了解决长尾问题的损失函数）都是前人已经提出的。
·参考文献：
[1] Balancing Methods for Multi-label Text Classification with Long-Tailed Class Distribution
[1] Loss Functions
这种朴素的 BCE 非常容易收到标签不平衡的影响，因为头部样本比较多，可能所有头部样本的损失总和为 100，尾部所有样本的损失加起来都不超过 10。下面，我们介绍三种替代方法解决多标签文本分类中长尾数据的类别不均衡问题。这些平衡方法主要思想是重新加权 BCE，使罕见的样本 - 标签对得到合理的 “关注”
[2] Focal Loss (FL)
[3] Class-balanced focal loss (CB)
通过估计有效样本数，CB Loss 进一步重新加权 Focal Loss 以捕捉数据的边际递减效应，减少了头部样本的冗余信息。对于多标签任务，我们首先计算出每种类别的频率
，那么对于每个类别来说，都有其平衡项
[4] Distribution-balanced loss (DB)
通过整合再平衡权重以及头部样本容忍正则化（negative tolerant regularization, NTR），Distribution-balanced Loss 首先减少了标签共现的冗余信息（这在多标签分类的情况下是很关键的），然后对 “容易分类的” 样本（头部样本）分配较低的权重
[5] 实验结果
使用的模型为 SVM，对比不同损失函数的效果
