基于直方图的置换不变网络用于量化估计
机器学习
2024-03-25 v1 机器学习
摘要
量化估计，也称为类别流行度估计，是一种监督学习任务，训练模型预测给定样本包中每个类别的流行度。本文研究了深度神经网络在量化估计任务中的应用，场景中可采用对称监督方法，无需将分类作为中间步骤，直接解决量化估计问题。此外，本文讨论了现有的为集合处理设计的置换不变层，并评估了它们对量化估计的适用性。基于我们的分析，我们提出了 HistNetQ，一种新颖的神经架构，它依赖于一种基于直方图的置换不变表示，特别适用于量化估计问题。我们在迄今为止举办的唯一一次量化估计竞赛中进行的实验表明，HistNetQ 优于其他为集合处理设计的深度神经架构以及最先进的量化估计方法。此外，HistNetQ 相比传统量化估计方法具有两个显著优势：i) 它不需要训练样本的标签，而只需要训练包集合的流行度值，使其适用于新的场景；ii) 它能够优化任何自定义的面向量化估计的损失函数。
引用
@article{arxiv.2403.15123,
title = {Quantification using Permutation-Invariant Networks based on Histograms},
author = {Olaya Pérez-Mon and Alejandro Moreo and Juan José del Coz and Pablo González},
journal= {arXiv preprint arXiv:2403.15123},
year = {2024}
}