摘要
在许多情况下，希望序数回归模型能够产生单峰预测。然而，在许多近期的研究中，这一特性要么缺失，要么通过使用软目标（soft targets）来实现，而后者在推理时并不能保证输出的单峰性。此外，我们认为标准的最大似然目标函数并不适用于序数回归问题，而最优传输（optimal transport）更适合此任务，因为它天然地捕捉了类别的顺序关系。在本研究中，我们提出了一种基于单峰输出分布和最优传输损失的深度序数回归框架。受著名的比例优势模型（Proportional Odds model）的启发，我们建议通过一种架构机制来修改其设计，以确保模型输出分布为单峰。我们对所提出的框架的不同组件进行了实证分析，并展示了它们对模型性能的贡献。在八个真实世界数据集上的实验结果表明，我们的方法在性能上与几种最近提出的深度学习方法相当甚至更好，并且能够保证输出的单峰性。此外，我们还证明了所提出的方法比当前的基准方法具有更低的过度自信度。