Conveyance：面向结构化类别空间的通用学习框架
机器学习
2026-05-28 v1
摘要
尽管机器学习（ML）架构在应对复杂数据方面不断演进，但诸如交叉熵等损失函数在许多实际应用中仍然是结构不可感知的。然而，这些标准损失函数的'类别对称'本质本质上限制了ML模型发挥作用的能力，尤其是在面对结构化噪声时。我们提出了\textsc{Conveyance}，一种针对结构化类别空间的新型分类方法和相关损失函数。它允许用户在无需定义复杂联合分布或手动调优效用矩阵的情况下，对类别之间的图状关系进行编码。技术上，我们的损失函数通过在不同类别划分上分别最大化两个独立的边际来实现，而保持单调性和部分凸性等形式属性。我们通过应用于分层分类、序数回归和多实例学习等任务，展示了该方法的通用性和有效性。在这些任务中，\textsc{Conveyance}要么匹配Specialized基线，要么超过它们，从而为结构化类别空间提供了统一解决方案。
引用
@article{arxiv.2605.28420,
title = {Conveyance: A Versatile Framework for Learning in Structured Class Spaces},
author = {Yasser Taha and Grégoire Montavon and Nils Körber},
journal= {arXiv preprint arXiv:2605.28420},
year = {2026}
}