Abstract—Ordinal regression (OR) is

Abstract—Ordinal regression (OR) is an important branch of supervised learning in between the multiclass classification and regression. In this paper, the traditional classification scheme of neural network is adapted to learn ordinal ranks. The model proposed imposes monotonicity constraints on the weights connecting the hidden layer with the output layer. To do so, the weights are transcribed using padding variables. This reformulation leads to the so-called inequality constrained least squares (ICLS) problem. Its numerical solution can be obtained by several iterative methods, for example, trust region or line search algorithms. In this proposal, the optimum is determined analytically according to the closed-form solution of the ICLS problem estimated from the Karush–Kuhn–Tucker conditions. Furthermore, following the guidelines of the extreme learning machine framework, the weights connecting the input and the hidden layers are randomly generated, so the final model estimates all its parameters without iterative tuning. The model proposed achieves competitive performance compared with the state-of-the-art neural networks methods for OR.

Kết quả (Việt) 1:

Trừu tượng-tự regression (OR) là một chi nhánh quan trọng của giám sát học tập ở giữa multiclass phân loại và hồi quy. Trong bài báo này, chương trình truyền thống phân loại của mạng nơ-ron là thích nghi để tìm hiểu tự cấp bậc. Các mô hình đề xuất áp đặt monotonicity khó khăn về trọng lượng kết nối ẩn lớp với các lớp đầu ra. Để làm như vậy, trọng lượng được phiên âm bằng cách sử dụng các biến padding. Reformulation này dẫn đến vấn đề bất bình đẳng cái gọi là hạn chế tối thiểu (ICLS). Giải pháp số của nó có thể được thu được bằng một số phương pháp lặp đi lặp lại, ví dụ, thuật toán tìm kiếm khu vực hoặc dòng tin tưởng. Trong đề xuất này, tối ưu được xác định phân tích theo các giải pháp hình thức đóng cửa của vấn đề ICLS ước tính từ các điều kiện Karush-Kuhn-Tucker. Hơn nữa, sau các nguyên tắc của cực học máy khuôn khổ, trọng lượng kết nối đầu vào và các lớp ẩn được ngẫu nhiên tạo ra, do đó, các mô hình cuối cùng ước tính tất cả các tham số của nó mà không có điều chỉnh lặp đi lặp lại. Các mô hình đề xuất đạt được hiệu suất cạnh tranh so với các phương pháp nhà nước-of-the-art mạng nơ-ron cho hoặc.

Kết quả (Việt) 2:

Tóm tắt-TT hồi quy (OR) là một ngành quan trọng của việc học có giám sát ở giữa phân loại nhiều lớp và hồi quy. Trong bài báo này, sơ đồ phân loại truyền thống của mạng nơ ron được thích nghi để học bậc thứ tự. Mô hình đề xuất áp đặt những hạn chế đơn điệu về trọng lượng kết nối các lớp ẩn với lớp ra. Để làm như vậy, các trọng số được phiên mã bằng cách sử dụng các biến padding. Sửa đổi chính điều này dẫn đến cái gọi là bất đẳng thức bình phương nhỏ nhất hạn chế (ICLS) vấn đề. Giải pháp số của nó có thể được thu được bằng một số phương pháp lặp đi lặp lại, cho các thuật toán Ví dụ, khu vực thác hay tìm kiếm dòng. Trong đề xuất này, các tối ưu được xác định phân tích theo các giải pháp hình thức đóng của vấn đề ICLS ước tính từ các điều kiện Karush-Kuhn-Tucker. Hơn nữa, theo các hướng dẫn của các khuôn khổ học máy cực đoan, các trọng số kết nối đầu vào và các lớp ẩn được tạo ra một cách ngẫu nhiên, do đó, các mô hình cuối cùng ước tính tất cả các thông số của nó mà không cần điều chỉnh lặp đi lặp lại. Các đề xuất mô hình đạt hiệu suất cạnh tranh so với các nhà nước-of-the-nghệ thuật mạng nơron phương pháp OR.