人脸反欺骗二分类任务负类含多子类时如何平衡训练数据集

首先明确核心逻辑：你做的是活体/伪造二分类任务，不需要输出具体攻击类型，数据集平衡的选择完全取决于你的测试集分布和落地场景要求，没有绝对通用的答案，两种方案的适用场景如下：

方案1：活体、打印、回放、面具每类样本数相等 #

适合以下场景：

• 你需要模型对所有类型的伪造攻击都有稳定的识别能力，没有哪种攻击是优先需要保证识别率的
• 测试集里各类伪造攻击的占比基本均匀
  这种方案的优势是可以避免伪造子类内部的长尾问题，不会出现某类伪造样本量太少，模型学不到对应特征，遇到这类攻击就频繁漏判的情况。

方案2：活体样本数等于总伪造样本数，伪造内部子类分布和实际场景对齐 #

适合以下场景：

• 你已经清楚实际落地时各类伪造攻击的出现概率，比如90%的攻击都是打印攻击，回放和面具攻击出现概率极低
• 优先要求模型在实际落地场景的整体准确率最高
  这种方案的优势是模型的决策边界更贴合真实场景的分布，整体表现更好。

额外优化建议 #

• 不管选哪种平衡方案，都建议给样本量少的伪造子类加更高的训练权重，或者结合过采样（对小类样本做图像增强扩充）、欠采样（对占比过高的子类随机删去部分样本）的策略，降低小类被淹没的概率。
• 验证阶段不要只看整体二分类的准确率、AUC，要单独统计每类伪造攻击的召回率，避免出现整体指标好看，但某类攻击完全识别不出来的问题。
• 算力充足的情况下，可以先做多分类预训练（让模型先学会区分活体、打印、回放、面具四个类别），再把分类头换成二分类头微调，通常比直接训二分类的效果更好，也能缓解伪造子类不平衡的问题。

内容的提问来源于stack exchange，提问作者navas roshan