확률적 순서 임베딩을 이용한 불확실성 인식 회귀 학습

불확실성은 유일한 확실성이자 있습니다. 데이터의 불확실성을 모델링하는 것은 특히 제약이 없는 환경에서 회귀 분석에 있어 필수적입니다. 전통적으로 직접 회귀 공식을 고려하며, 불확실성은 출력 공간을 특정 확률 분포족으로 수정하여 모델링됩니다. 한편, 실제에서는 분류 기반 회귀와 순위 기반 해결책이 더 인기가 있으며, 직접 회귀 방법은 성능 한계로 인해 문제가 되어왔습니다. 현대 기술에서 회귀를 위한 불확실성을 어떻게 모델링할 것인가는 여전히 개방된 문제입니다. 본 논문에서는 각 데이터를 잠재 공간에서 결정론적인 점이 아닌 다변량 가우스 분포로 표현하는 확률적 서열 임베딩(probablistic ordinal embeddings) 학습을 제안합니다. 서열 분포 제약(ordinal distribution constraint)을 제안하여 회귀의 서열 특성을 활용합니다. 우리의 확률적 서열 임베딩은 인기 있는 회귀 접근법에 통합될 수 있으며, 이는 불확실성 추정 능력을 부여합니다. 실험 결과는 우리의 접근법이 경쟁력 있는 성능을 달성함을 보여줍니다. 코드는 https://github.com/Li-Wanhua/POEs 에서 제공됩니다.