본 논문은 모든 클래스에 대한 평균 오차율 대신 최악의 클래스 오차율 문제를 다룹니다. 예를 들어, 클래스별 오차율이 10%, 10%, 40%인 3 클래스 분류 작업의 경우 평균 오차율은 20%이지만 최악의 클래스 오차율은 40%입니다. 최악의 클래스 오차율은 의료 이미지 분류와 같이 특정 클래스의 오류가 심각한 결과를 초래하는 많은 응용 분야에서 중요합니다. 본 논문에서는 심층 신경망(DNN)을 사용하여 최악의 클래스 오차율을 최소화하는 과정에서 과적합을 방지하기 위해 최악의 클래스 오차율을 제한하는 문제 공식화를 제시합니다. 또한 최악의 클래스 오차율을 정확하게 제한하기 위해 DNN들을 결합하는 부스팅 기법을 제안하고, 훈련 및 일반화에 대한 최악의 클래스 오차율 경계를 제공합니다. 실험 결과는 제안된 알고리즘이 과적합을 방지하면서 최악의 클래스 테스트 오차율을 낮춘다는 것을 보여줍니다.
