Tiefe Ordinale Regression unter Verwendung von Optimaler Transportverlustfunktion und unimodalen Ausgabewahrscheinlichkeiten

Es wird häufig gewünscht, dass ordinale Regressionsmodelle unimodale Vorhersagen liefern. In vielen jüngsten Arbeiten fehlt jedoch diese Eigenschaft oder sie wird durch die Verwendung von Soft Targets implementiert, die bei der Inferenz nicht unimodale Ausgaben garantieren. Darüber hinaus argumentieren wir, dass das Standardziel der Maximum-Likelihood-Methoden für ordinale Regressionsprobleme nicht geeignet ist und dass optimale Transportmethoden besser für diese Aufgabe geeignet sind, da sie die Ordnung der Klassen natürlicher erfassen. In dieser Arbeit schlagen wir einen Rahmen für tiefes ordinales Regression vor, der auf einer unimodalen Ausgabeverteilung und einem Optimal-Transport-Verlust basiert. Inspiriert durch das bekannte Proportional-Odds-Modell schlagen wir vor, dessen Design durch ein architektonisches Mechanismus zu modifizieren, der sicherstellt, dass die Ausgabeverteilung des Modells unimodal sein wird. Wir führen eine empirische Analyse der verschiedenen Komponenten unseres vorgeschlagenen Ansatzes durch und demonstrieren ihren Beitrag zur Leistung des Modells. Experimentelle Ergebnisse auf acht realweltlichen Datensätzen zeigen, dass unser vorgeschlagener Ansatz konsistent mit mehreren kürzlich vorgeschlagenen Deep-Learning-Ansätzen für tiefes ordinales Regression mit unimodalen Ausgabe-Wahrscheinlichkeiten konkurriert und oft bessere Ergebnisse erzielt, während gleichzeitig die Unimodalität der Ausgabe garantiert wird. Zudem zeigen wir, dass unser vorgeschlagener Ansatz weniger übermäßig selbstbewusst ist als aktuelle Baseline-Modelle.