Hard Example Mining

释义 Definition

Hard example mining（困难样本挖掘）：在机器学习/深度学习训练中，优先挑选“难学/易错”的训练样本（如被模型误分类、损失值更高的样本）来加强训练，从而提升模型在边界情况与复杂场景下的表现。常见于目标检测、度量学习（如三元组损失）、人脸识别等任务。

发音 Pronunciation

/ˌhɑːrd ɪɡˈzæmpəl ˈmaɪnɪŋ/

例句 Examples

Hard example mining helps the model learn from its mistakes.
困难样本挖掘能帮助模型从错误中学习。

In large-scale training, online hard example mining selects high-loss samples each batch, improving detection accuracy but requiring careful tuning to avoid instability.
在大规模训练中，在线困难样本挖掘会在每个批次挑选高损失样本，从而提升检测精度，但需要谨慎调参以避免训练不稳定。

词源 Etymology

该短语由 hard（难的）+ example（样本）+ mining（挖掘）构成。这里的 mining 借用“采矿/挖掘”的比喻，表示从大量数据中“挖出”更有训练价值的样本；在深度学习文献中常与 hard negative mining（困难负样本挖掘）并用。

相关词 Related Words

• Hard Negative Mining
• Negative Sampling
• Triplet Loss
• Contrastive Loss
• Curriculum Learning
• Focal Loss
• Imbalanced Data
• Sample Selection

文学与著作 Literary Works

• Online Hard Example Mining for Object Detection（Shrivastava et al., 2016）
• Focal Loss for Dense Object Detection（Lin et al., 2017，讨论与困难样本挖掘相关的思想）
• FaceNet: A Unified Embedding for Face Recognition and Clustering（Schroff et al., 2015，涉及 hard negative/样本挖掘思路）