Neuer Klassifikator HCAL verbessert hierarchische Multi-Label-Analyse

In einer aktuellen Veröffentlichung auf arXiv wird der neue Klassifikator HCAL vorgestellt, der die Herausforderungen der hierarchischen Multi-Label‑Klassifikation (HMC) gezielt angeht. HCAL kombiniert Multi‑Task Learning (MTL) mit prototypenbasiertem kontrastivem Lernen und integriert adaptive Gewichtungsmechanismen für die einzelnen Aufgaben.

Der Ansatz sorgt für eine starke semantische Konsistenz, indem Prototypen explizit die Labels modellieren und Feature‑Aggregation von Kind‑ zu Elternklassen durchführen. Zusätzlich wird ein adaptives Loss‑Balancing eingesetzt, das die Optimierungsressourcen dynamisch anhand der Konvergenzraten der Aufgaben verteilt. Dadurch wird das typische „eine‑starke‑viele‑schwache“ Ungleichgewicht in herkömmlichen MTL‑Modellen effektiv behoben.

Um die Robustheit weiter zu erhöhen, wird ein Prototypen‑Störungsmechanismus eingeführt, der kontrollierten Rauschen in die Prototypen einführt und so die Entscheidungsgrenzen erweitert. Für die Bewertung der hierarchischen Konsistenz wurde die neue Kennzahl Hierarchical Violation Rate (HVR) definiert.

Umfangreiche Experimente an drei unterschiedlichen Datensätzen zeigen, dass HCAL sowohl die Klassifikationsgenauigkeit steigert als auch die HVR im Vergleich zu bestehenden Basismodellen reduziert. Der neue Ansatz bietet damit einen vielversprechenden Weg, die strukturelle Integrität und die Lernbalance in hierarchischen Klassifikationsaufgaben zu verbessern.