我们应否总是在细粒度类别上训练模型？
机器学习
2025-09-08 v1
摘要
在分类问题中，模型必须根据输入数据特征预测类别标签。然而，许多数据集的类别标签是层次化组织的。尽管分类任务通常在该层次结构的特定层级上定义，但训练可以利用更细的标签粒度。经验证据表明，这种细粒度训练可以提高性能。本工作调查了这一观察的普遍性，并探讨了其背后的原因，同时使用真实数据集和合成数据集进行研究。我们表明，训练在细粒度标签上并不总能提高分类准确率。相反，这一策略的有效性取决于数据的几何结构及其与标签层次结构的关系。此外，数据集大小和模型容量等因素显著影响细粒度标签是否提供性能提升的程度。
引用
@article{arxiv.2509.05130,
title = {Should We Always Train Models on Fine-Grained Classes?},
author = {Davide Pirovano and Federico Milanesio and Michele Caselle and Piero Fariselli and Matteo Osella},
journal= {arXiv preprint arXiv:2509.05130},
year = {2025}
}
备注
13 pages, 7 figures