首先，我要指出这两个概念可以很好地共存。让我们看下面的例子：

图像分类包括 2 个类别和覆盖 2 个域的样本。这些类是不平衡的，一个域比另一个域“更难”。您可以使用加权采样从“较难”域中采样更多示例，同时使用加权损失来应对类不平衡。

现在让我们看看一些优点和缺点：

• 加权抽样

称量每个样本意味着您了解所有样本并对其进行评分。从实践的角度来看，这并不总是可能或可行的。确实，在流式传输训练样本的情况下，您无法控制哪些样本来自您的方式，并且加权采样是不可能的。或者在您不断更新每个样本的权重的情况下。

另一方面，更新样本的权重比在整个训练过程中修改损失要实用得多。

• 加权损失

从好的方面来说，加权损失不依赖于实例的采样方式，这可能更实用。不利的一面是，如果您以大多数实例的权重较低的方式对数据进行采样，您的模型将不会快速更新。