多ラベル設定では、通常、画像に含まれる正ラベルは平均的に少数であり、負ラベルが多数を占める。この正ラベルと負ラベルの不均衡が最適化プロセスを支配し、トレーニング中に正ラベルからの勾配が過小評価される傾向が生じ、結果として精度が低下する。本論文では、正サンプルと負サンプルに対して異なる挙動を示す新しい非対称損失（「ASL」）を提案する。この損失関数は、容易な負サンプルを動的に重みを下げ、ハード閾値処理を行う一方で、誤ラベルの可能性のあるサンプルを除去することができる。ASLが異なるサンプルの確率をどのようにバランスさせるか、およびそのバランスがmAPスコアの向上にどのように寄与するかを示す。ASLを用いることで、MS-COCO、Pascal-VOC、NUS-WIDE、Open Imagesといった複数の代表的な多ラベルデータセットにおいて、最先端の性能を達成した。さらに、ASLが単ラベル分類や物体検出といった他のタスクにも適用可能であることを実証した。ASLは効果的であり、実装が容易で、トレーニング時間や計算複雑性を増加させない。実装コードは以下から公開されている：https://github.com/Alibaba-MIIL/ASL