要約
順序回帰モデルが単峰的な予測を生成することがしばしば望まれています。しかし、最近の多くの研究では、この特性が欠如しているか、または推論時に単峰的な出力を保証しないソフトターゲットを使用して実装されています。さらに、私たちは標準的な最大尤度目的関数が順序回帰問題には適していないと主張し、最適輸送（Optimal Transport）がこの課題に更适合であると考えています。なぜなら、最適輸送はクラスの順序を自然に捉えるからです。本研究では、単峰的な出力分布と最適輸送損失に基づく深層順序回帰のフレームワークを提案します。有名な比例オッズモデル（Proportional Odds Model）に着想を得て、その設計を変更し、モデルの出力分布が必ず単峰的になるようにする建築的メカニズムを導入します。私たちは提案手法の各構成要素を実験的に分析し、それらがモデルの性能向上にどのように寄与するかを示します。8つの実世界データセットに対する実験結果は、提案手法が単峰的な出力確率を持つ深層順序回帰のための最近提唱されたいくつかの深層学習アプローチと同等か、しばしばそれ以上の性能を示すことを一貫して証明しています。また、提案手法が出力確率の単峰性を保証しながらも現行のベースラインよりも過信しないことを示しています。