要約
ラベル分布学習（Label Distribution Learning, LDL）は、一般的な学習フレームワークであり、単一のラベルや複数のラベルではなく、あるインスタンスに対してラベル集合上の分布を割り当てます。現在のLDL手法は、ラベル分布の表現形式に関する制約や、表現学習における限界（例：エンドツーエンドで深層特徴を学習する）を持っています。本論文では、微分可能な決定木に基づく新しいラベル分布学習アルゴリズムであるラベル分布学習フォレスト（Label Distribution Learning Forests, LDLFs）を提案します。この手法には以下の利点があります：1) 決定木は葉ノードの予測の混合によって任意の一般的な形態のラベル分布をモデル化する潜在能力を持っています。2) 微分可能な決定木の学習は表現学習と組み合わせることができます。我々は森に対する分布ベースの損失関数を定義し、すべての木が共同で学習できるようにしました。また、変分境界により損失関数の厳密な減少を保証する更新関数を導出できることを示しています。提案されたLDLFsの有効性はいくつかのLDLタスクおよびコンピュータビジョン応用において検証され、現行最先端のLDL手法に比して大幅な改善が見られました。