标签分布学习森林

标签分布学习（Label Distribution Learning, LDL）是一种通用的学习框架，它为每个实例分配一个标签集上的分布，而不是单一标签或多个标签。现有的LDL方法要么对标签分布的表达形式有严格的假设，要么在表示学习方面存在局限性，例如无法以端到端的方式学习深层特征。本文提出了一种基于可微决策树的新型标签分布学习算法——标签分布学习森林（Label Distribution Learning Forests, LDLFs），该算法具有以下优势：1) 决策树通过叶节点预测的混合可以建模任何一般形式的标签分布。2) 可微决策树的学习可以与表示学习相结合。我们定义了一种基于分布的损失函数用于森林模型，使得所有决策树可以联合学习，并展示了通过变分界可以推导出一种保证损失函数严格下降的叶节点预测更新函数。所提出的LDLFs在多个LDL任务和计算机视觉应用中进行了验证，结果表明其性能显著优于现有的最先进的LDL方法。