確率的な順序埋め込みを学習して不確実性に配慮した回帰を行う

不確実性こそが唯一の確実なものである。データの不確実性をモデル化することは、特に制約のない環境下での回帰において不可欠である。従来は、直接的な回帰フォーミュレーションが採用され、出力空間を特定の確率分布族に変更することで不確実性をモデル化してきた。一方で、実際には分類に基づく回帰やランキングに基づく解法の方がより一般的であり、直接的な回帰手法は性能に限界があるという問題を抱えている。現代の技術において、回帰における不確実性をどのようにモデル化するかは未解決の課題である。本論文では、潜在空間における確定的な点ではなく、多変量ガウス分布として各データを表現する確率順序埋め込み（probabilistic ordinal embeddings）を学習することを提案する。さらに、回帰の順序性を利用するために順序分布制約（ordinal distribution constraint）を導入する。我々の提案する確率順序埋め込みは、人気のある回帰アプローチと統合でき、それらに不確実性推定的能力を与えることができる。実験結果は、我々の手法が競争力のある性能を達成していることを示している。コードは https://github.com/Li-Wanhua/POEs で公開されている。以上が翻訳となります。ご確認ください。