.png){kind=icon}
返回
A Sparse Model for Ordinal Regression
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15184272.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在序数回归中，当输出类别表现出自然排序（例如年龄组或疾病严重程度）时，两个结构性属性非常理想：单峰性——预测的概率分布应围绕真实类别呈单峰分布；稀疏性，即概率质量应集中在少数几个类别上。然而，现有方法要么完全忽略序数性，要么强制单峰性而忽略稀疏性。我们提出了Unisparse，一种可微分的输出层，首先使用相邻违规者池化算法（PAVA）获得精确的欧几里得投影到单峰锥上，然后应用Sparsemax将结果投影到概率单纯形上。第二个投影是保序的，因此组合可以保证产生单峰概率向量，同时引入精确的零值。与参数化方法（例如二项式单峰）不同，该方法不施加预定的分布族。该组合是分段可微分的，并支持端到端训练。在七个基准测试（五个表格和两个视觉）上的实验表明，Unisparse在准确率和MAE方面与六个序数和多类基线（Softmax、Sparsemax、UnimodalNet、CORAL、CORN、ORD-ACL和VS-SL）具有竞争力，同时始终产生更小的支撑集。我们的层与架构无关，易于集成到现代深度网络架构中。
Keyword:
ordinal regression
ordinal classification
sparse models
unimodal distributions
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
Deep neural networks for rank-consistent ordinal regression based on conditional probabilities基于条件概率的秩一致序回归深度神经网络
PREAI
分享收藏
Knowledge Learning-Based Dimensionality Reduction for Solving Large-Scale Sparse Multiobjective Optimization Problems基于知识学习的降维方法用于求解大规模稀疏多目标优化问题
PREAI
分享收藏
查看更多内容