层次分类+证据学习一步到位！新方法让模型“懂粗懂细”，性能超基线还自带不确定性解释
H$^2$EDL: Hyper Evidential Deep Learning for Hierarchical Classification
👨💼 主理人解读 · 为什么值得关注
提出超证据深度学习框架，用于层次分类中的结构化不确定性建模，同时捕捉细粒度类别和中间概念。
📖 AI 总结
本文介绍了一种名为H²EDL的新型分层分类方法，旨在解决细粒度识别中的结构化模糊性问题。现有方法存在局限：平坦证据分类器仅能表达叶节点上的整体无知，而分层分类器虽能传播点概率却缺乏证据概念。作者提出利用分类体系本身作为超域，通过子树和叶节点构成线性规模的焦点族，并在每个分支节点使用局部狄利克雷意见，从而以闭式形式推导所有复合质量。H²EDL兼具双重解释：预测视角下，它作为保持跨层级一致性的分层分类器；概率视角下，它定义了有效的树结构超意见，节点质量代表到达该节点但不足以进一步细化的信念。实验表明，在FGVC-Aircraft和DERM12345数据集上，H²EDL相比交叉熵基线将校准误差降低约一半，且改进在更深层级和更大训练预算下更为显著。
🔑 关键词速览
| H$^2$EDL | 一种用于层次分类的超证据深度学习模型，结合了层次分类和证据不确定性表示。 |
| Hyper-opinions | 一种不确定性表示，能够同时捕捉细粒度类别和中间概念，但一般形式复杂度高。 |
| Evidential classifiers | 基于证据理论的分类器，通过证据质量来量化不确定性。 |
| Hierarchical classification | 一种分类任务，标签空间具有树状结构，模型需在不同粒度级别上进行预测。 |
| Calibration error | 衡量模型预测概率与实际正确率之间一致性的指标，误差越小表示校准越好。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅