Lernen von probabilistischen ordinalen Einbettungen für regressionsbasierte Unsicherheitsbewusstheit

Unsicherheit ist die einzige Gewissheit, die es gibt. Die Modellierung von Datenunsicherheit ist für Regressionsaufgaben besonders wichtig, insbesondere in unbeschränkten Szenarien. Traditionell wird die direkte Regressionsformulierung betrachtet und die Unsicherheit durch Modifikation des Ausgaberaums zu einer bestimmten Familie von Wahrscheinlichkeitsverteilungen modelliert. Im Praktischen sind jedoch klassifikationsbasierte Regressionsmethoden und rangbasierende Lösungen weit verbreiteter, während direkte Regressionsmethoden an ihre Leistungsgrenzen stoßen. Wie man Unsicherheit innerhalb der heutigen Technologien für Regression modelliert, bleibt ein offenes Problem. In dieser Arbeit schlagen wir vor, probabilistische ordinale Einbettungen zu lernen, die jede Datenpunkte als mehrdimensionale Gauß-Verteilung im latente Raum darstellen, anstatt als deterministischen Punkt. Es wird eine ordinale Verteilungsrestriktion vorgeschlagen, um die ordinale Natur der Regression auszunutzen. Unsere probabilistischen ordinalen Einbettungen können in gängige Regressionsansätze integriert werden und verleihen ihnen die Fähigkeit zur Unsicherheitsschätzung. Experimentelle Ergebnisse zeigen, dass unser Ansatz wettbewerbsfähige Leistungen erzielt. Der Quellcode ist unter https://github.com/Li-Wanhua/POEs verfügbar.