초록
분류를 통한 회귀 (Regression via Classification, RvC)는 딥 러닝에서 연속적인 값의 집합에 속하는 대상 변수를 가진 회귀 문제를 해결하기 위해 일반적으로 사용되는 방법입니다. 대상을 중복되지 않는 여러 클래스로 이산화함으로써, 분류기(classifier)를 훈련시키는 것이 표준 회귀 접근법을 사용하는 것보다 신경망의 정확도를 개선할 수 있다는 점이 입증되었습니다. 그러나 이산 클래스 집합을 어떻게 선택해야 하는지, 그리고 그것이 전체 해법에 어떤 영향을 미치는지는 명확하지 않습니다. 본 연구에서는 여러 이산 데이터 표현을 동시에 사용하면 단일 표현을 사용하는 것보다 신경망 학습이 개선될 수 있음을 제안합니다. 우리의 접근 방식은 엔드투엔드(end-to-end)로 미분 가능하며, 딥 신경망과 같은 기존 학습 방법에 간단한 확장으로 추가될 수 있습니다. 우리는 세 가지 어려운 과제에서 우리의 방법을 테스트하여, 기준 RvC 접근법과 유사한 모델 복잡성 유지 하에 예측 오차가 감소함을 보여주었습니다.