摘要
在许多现实世界的预测任务中，类别标签包含了标签之间的相对顺序信息，而这些信息通常无法通过常用的损失函数（如多分类交叉熵）捕捉到。近期，深度学习社区采用了有序回归框架来考虑这种顺序信息。通过将有序目标转换为二分类子任务，神经网络被赋予了有序回归的能力。然而，这种方法在不同的二分类器之间存在不一致性问题。为了解决这些不一致性，我们提出了具有强大理论保证的秩单调性和一致置信度分数的COnsistent RAnk Logits (CORAL) 框架。此外，所提出的方法与架构无关，可以扩展任意最先进的深度神经网络分类器以执行有序回归任务。对一系列用于年龄预测的人脸图像数据集进行的实证评估表明，与参考有序回归网络相比，所提出的秩一致方法显著降低了预测误差。