Tiefe Ordinale Regression mit Etikettenvielfalt

Regression via Classification (RvC) ist eine gängige Methode für Regressionsprobleme im Bereich des Deep Learnings, bei der die Zielvariable einem Kontinuum von Werten angehört. Durch die Diskretisierung der Zielvariable in eine Reihe nicht überlappender Klassen wurde gezeigt, dass das Training eines Klassifikators die Genauigkeit neuronaler Netze verbessern kann im Vergleich zu einem herkömmlichen Regressionsansatz. Es ist jedoch unklar, wie die Menge diskreter Klassen gewählt werden sollte und wie sie die Gesamtlösung beeinflusst. In dieser Arbeit schlagen wir vor, dass das gleichzeitige Verwenden mehrerer diskreter Datenrepräsentationen das Lernen neuronaler Netze verbessern kann im Vergleich zu einer einzelnen Repräsentation. Unser Ansatz ist end-to-end differenzierbar und kann als einfache Erweiterung zu konventionellen Lernmethoden, wie tiefen neuronalen Netzen, hinzugefügt werden. Wir testen unsere Methode an drei anspruchsvollen Aufgaben und zeigen, dass unser Ansatz den Vorhersagefehler im Vergleich zu einem Baseline-RvC-Ansatz reduziert, während er eine vergleichbare Modellkomplexität beibehält.