新的H$^2$EDL模型通过新颖的不确定性表示增强了分层分类

研究人员推出了一种新颖的深度学习模型H$^2$EDL，专为分层分类任务设计。该模型通过开发不确定性表示来解决细粒度识别中的结构化歧义挑战，这些表示同时捕捉叶级类别和中间概念。H$^2$EDL通过两种方式解释其参数来实现这一点：一种是保持标签树级别之间一致性的分层分类器，另一种是量化信念而不过度专业化的树结构超意见。该模型在FGVC-Aircraft和DERM12345等基准数据集上显示出校准误差的显著降低，在更深层次的层次结构和更大的训练预算下，改进幅度增加。 AI

影响 该模型可以提高处理复杂、分层分类任务的AI系统的准确性和校准能力。

排序理由 该集群包含一篇详细介绍新模型及其在基准测试中性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• DERM12345
• FGVC-Aircraft
• H$^2$EDL
• Hugging Face

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →