Tversky Optimization (KTO)

Tversky Optimization 并非传统意义上的优化算法，而是指 Tversky Loss 在深度学习训练中的核心应用机制。它由心理学家 Amos Tversky 提出的不对称性理论衍生而来，旨在修正传统损失函数（如 Dice Loss）对假正例（FPs）和假负例（FNs）同等惩罚的缺陷。该机制允许模型根据具体业务场景，动态调整对两类错误的容忍度，从而在精确率（Precision）与召回率（Recall）之间实现非线性的、可配置的平衡，特别适用于医疗影像分析、缺陷检测等对漏检或误检有严格差异化要求的领域。

在现代计算机视觉与语义分割架构中，Tversky Optimization 扮演着解决‘长尾分布’与‘类别不平衡’的关键角色。随着语义分割任务从简单的二分类向多类别、小目标检测演进，数据集中正样本往往稀缺，导致传统交叉熵或 Dice Loss 倾向于忽略少数类。Tversky 机制通过引入两个独立的权重参数（alpha 和 beta），将损失计算转化为对特定错误类型的显式惩罚，使得模型能够‘看见’并‘重视’那些在常规训练中容易被淹没的关键样本。其核心价值在于赋予了模型‘认知灵活性’，使其能够模拟人类专家在特定场景下的判断偏好，成为构建高鲁棒性分割网络不可或缺的组件。