Ord2Seq: Regarding Ordinal Regression as Label Sequence Prediction

要約

順序回帰とは、オブジェクト インスタンスを順序カテゴリに分類することを指します。
これは、医学的疾患の等級付け、映画の評価など、多​​くのシナリオで広く研究されています。既知の方法は、クラス間の順序関係を学習することのみに焦点を当てていましたが、これまでのところ、隣接するカテゴリを区別する際には依然として限界があります。
この論文では、Ord2Seqと呼ばれる順序回帰のための単純なシーケンス予測フレームワークを提案します。これは初めて、各順序カテゴリラベルを特別なラベルシーケンスに変換し、したがって順序回帰タスクをシーケンス予測プロセスと見なします。
このようにして、順序回帰タスクを一連の再帰的なバイナリ分類ステップに分解し、隣接するカテゴリを微妙に区別します。
包括的な実験により、隣接するカテゴリを区別することがパフォーマンス向上に有効であることが示されており、私たちの新しいアプローチは 4 つの異なるシナリオで最先端のパフォーマンスを上回っています。
コードは https://github.com/wjh892521292/Ord2Seq で入手できます。

要約(オリジナル)

Ordinal regression refers to classifying object instances into ordinal categories. It has been widely studied in many scenarios, such as medical disease grading, movie rating, etc. Known methods focused only on learning inter-class ordinal relationships, but still incur limitations in distinguishing adjacent categories thus far. In this paper, we propose a simple sequence prediction framework for ordinal regression called Ord2Seq, which, for the first time, transforms each ordinal category label into a special label sequence and thus regards an ordinal regression task as a sequence prediction process. In this way, we decompose an ordinal regression task into a series of recursive binary classification steps, so as to subtly distinguish adjacent categories. Comprehensive experiments show the effectiveness of distinguishing adjacent categories for performance improvement and our new approach exceeds state-of-the-art performances in four different scenarios. Codes are available at https://github.com/wjh892521292/Ord2Seq.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google