Kardinalitätsbewusste Mengenprediktion und Top-k-Klassifikation

Wir präsentieren eine detaillierte Studie zur kardinalitätsbewussten Top-k-Klassifikation, einem neuartigen Ansatz, der darauf abzielt, einen genauen Top-k-Mengen-Prediktor zu lernen, während eine niedrige Kardinalität aufrechterhalten wird. Wir führen eine neue Zielverlustfunktion ein, die auf diese Einstellung zugeschnitten ist und sowohl den Klassifikationsfehler als auch die Kardinalität der vorhergesagten Menge berücksichtigt. Um diese Verlustfunktion zu optimieren, schlagen wir zwei Familien von Surrogatverlusten vor: kostensensitive comp-sum-Verluste und kostensensitive eingeschränkte Verluste. Die Minimierung dieser Verlustfunktionen führt zu neuen kardinalitätsbewussten Algorithmen, die wir im Detail sowohl für Top-k- als auch für schwellenwertbasierte Klassifikatoren beschreiben. Wir stellen H-Konsistenzgrenzen für unsere kardinalitätsbewussten Surrogatverlustfunktionen auf und bieten somit eine solide theoretische Grundlage für unsere Algorithmen. Wir berichten über die Ergebnisse umfangreicher Experimente an den CIFAR-10-, CIFAR-100-, ImageNet- und SVHN-Datensätzen, die die Wirksamkeit und Vorteile unserer kardinalitätsbewussten Algorithmen demonstrieren.