CLOC：基于多边际n-元组损失的序分类对比学习

在序分类中，误分类相邻等级很常见，但这些错误的后果并不相同。例如，误分类良性肿瘤类别的后果较小，而在非恶性到恶性阈值处的错误可能深远影响治疗选择。尽管如此，现有的序分类方法并未考虑这些边际的重要性差异， treating all neighboring classes as equally significant。为解决这一局限性，我们提出了CLOC，一种新的基于边际的对比学习方法，用于序分类，通过 novel multi-margin n-pair loss (MMNP)学习有序表示。CLOC enables flexible decision boundaries across key adjacent categories, facilitating smooth transitions between classes and reducing the risk of overfitting to biases present in the training data. 我们对MMNP的性质进行了经验性讨论，并在五个真实世界图像数据集（Adience、Historical Colour Image Dating、Knee Osteoarthritis、Indian Diabetic Retinopathy Image、Breast Carcinoma Subtyping）和一个模拟临床决策偏见的合成数据集上展示了实验结果。我们的结果表明，CLOC优于现有的序分类方法，并展示了CLOC在学习有意义的有序表示方面的可解释性和可控性，这些表示与临床和实际需求相吻合。