본 논문은 모든 클래스에 대한 평균 오류율 대신 최악의 클래스 오류율 문제를 다룹니다. 예를 들어, 클래스별 오류율이 10%, 10%, 40%인 3 클래스 분류 작업의 경우 평균 오류율은 20%이지만 최악의 클래스 오류율은 40%입니다. 많은 응용 분야에서 최악의 클래스 오류율은 중요한 지표입니다. 의료 이미지 분류 작업에서 양성 종양 클래스의 오류율이 40%인 반면, 양성 및 건강 클래스의 오류율이 10%인 것은 용납할 수 없습니다. 심층 신경망(DNN)을 사용한 최악의 클래스 오류율 최소화에서 과적합을 피하기 위해, 본 논문에서는 최악의 클래스 오류율을 0으로 만드는 대신 경계를 설정하는 문제 공식화를 제시합니다. 또한 최악의 클래스 오류율을 정확하게 경계하기 위해 DNN을 앙상블하는 부스팅 기법을 제안합니다. 훈련 및 일반화에 대한 최악의 클래스 오류율 경계를 제시하며, 실험 결과는 제안된 알고리즘이 과적합을 피하면서 최악의 클래스 테스트 오류율을 낮춘다는 것을 보여줍니다. 소스 코드는 https://github.com/saito-yuya/Bounding-the-Worst-class-error-A-Boosting-Approach 에서 확인할 수 있습니다.
