초록
라벨 분포 학습(Label Distribution Learning, LDL)은 일반적인 학습 프레임워크로, 단일 라벨이나 다중 라벨 대신 인스턴스에 라벨 집합에 대한 분포를 할당합니다. 현재 LDL 방법들은 라벨 분포의 표현 형태에 대한 제한된 가정이나 표현 학습에서의 한계점을 가지고 있습니다. 예를 들어, 엔드투엔드 방식으로 깊은 특징을 학습하는 것 등이 포함됩니다. 본 논문에서는 미분 가능한 결정 트리를 기반으로 하는 새로운 라벨 분포 학습 알고리즘인 라벨 분포 학습 포레스트(Label Distribution Learning Forests, LDLFs)를 제시합니다. 이 알고리즘은 다음과 같은 몇 가지 장점을 가지고 있습니다: 1) 결정 트리는 잎 노드 예측의 혼합을 통해 어떤 일반적인 형태의 라벨 분포도 모델링할 수 있는 잠재력을 가지고 있습니다. 2) 미분 가능한 결정 트리의 학습은 표현 학습과 결합될 수 있습니다. 우리는 포레스트를 위한 분포 기반 손실 함수를 정의하여 모든 트리를 공동으로 학습할 수 있게 하였으며, 변동 바운딩(variational bounding)을 통해 손실 함수의 엄격한 감소를 보장하는 잎 노드 예측 업데이트 함수가 도출될 수 있음을 보여주었습니다. 제안된 LDLFs의 효과성은 여러 LDL 작업과 컴퓨터 비전 응용 프로그램에서 검증되었으며, 현존하는 최고 수준의 LDL 방법들보다 상당한 개선을 보였습니다.