序数回归 序数回归涉及多标签数据，其中数据标签相对于彼此排序。 作为一名深度学习研究人员，我遇到了序数回归似乎合适的问题设置，但是我还没有找到序数回归方法的Tensorflow实现。 这是我在Tensorflow中建立序数回归方法的尝试，以便可以将其应用于我的研究。 序数阈值 截至目前，我还没有在Tensorflow中找到一种方法来强加有序阈值，因为通过反向传播将其作为模型的参数进行调整时，这些阈值仍然保持不变。 在此期间，我仅将阈值初始化为从特定范围内的均匀分布得出的排序的非递减随机向量。 这些阈值被视为一个常数。 我发现这严重妨碍了模型，但是确实允许模型训练。

多恩 更新 更新了整个代码库，并重新实现了一些层和损失函数，以使其运行速度更快并使用更少的内存。 该存储库仅包含 DORN 模型的核心代码。 整个代码将保存在。 介绍 这是的的 PyTorch 实现。 预训练模型 DORN 的 resnet 主干，在第一 conv 层有 3 个 conv，与原始 resnet 不同。 resnet骨干网的预训练模型可以从下载 。 数据集 纽约大学深度 V2 未实现。 基蒂 根据 ，我们应该远离 eigen split 并切换到 。 更多详细信息，请参阅 。

通常将序数回归（OR）定义为输入样本按序数等级进行排序的任务。 OR已经发现了各种各样的应用程序，并且已经完成了很多工作。 但是，大多数现有工作都集中在有监督/半监督的OR分类上，并且尚未明确解决半监督或OR聚类的问题。 在现实世界的OR应用程序中，标记大量的训练样本通常是耗时且昂贵的，而可以使用一组未标记的样本来建立OR模型。 此外，尽管样本标签不可用，但有时我们可以获得未标记样本的相对排名信息。 此样本排名信息可用于完善OR模型。 因此，如何在未加标签的样本上建立OR模型并将样本排名信息纳入提高聚类精度的过程仍然是OR应用程序的主要挑战。 在本文中，我们考虑了具有样本排序约束的半监督OR聚类问题，该问题给出了未标记样本的相对排名信息，并提出了一种用于半监督OR聚类的最大余量方法。 一方面，M²SORC寻求一组平行的超平面，以将未标记的样本划分为多个簇。 另一方面，提出了损失函数以将样本排名信息纳入聚类过程。 结果，制定了M²SORC的优化函数，以最大程度地增加最接近的相邻簇的余量，同时最大程度地减少与样本排序约束相关的损失。 在OR数据集上进行的大量实验表明，所提出的M²SORC方

Large Margin Rank Boundaries for Ordinal Regression