ACCon：用于深度回归的角度补偿对比正则化器

在深度回归中，捕捉特征空间中连续标签之间的关系是引起日益关注的基本挑战。针对这一问题可以防止模型在各种回归任务中收敛到次优解，从而实现更好的性能，尤其是在不平衡的回归和受限样本量的情况下。然而，现有方法通常依赖于基于顺序的表示学习或基于距离的加权。在本文中，我们假设标签距离与表示相似性之间存在线性负相关。在实现这一点的过程中，我们提出了一种用于深度回归的角度补偿对比正则化器，该方法在对比学习框架内调整锚样本和负样本之间的余弦距离。我们的方法提供了一个即插即用的兼容解决方案，扩展了大多数现有的对比学习方法以适用于回归任务。广泛的实验和理论分析表明，我们提出的角度补偿对比正则化器不仅实现了具竞争力的回归性能，而且在不平衡数据集上在数据效率和效果方面也表现出色。