Sieć neuronowe trenowane do klasyfikacji porządkowej (gdzie klasy mają naturalny porządek, jak oceny od 1 do 5) mają tendencję do przewidywania klas środkowych niezależnie od rzeczywistej etykiety. Ten problem, zwany center-class hedging, wynika z tego że standardowa entropia krzyżowa powoduje że przewidywanie klasy środkowej minimalizuje oczekiwaną symetryczną stratę. Naukowcy sformalizowali ten problem i zaproponowali Adaptive Margin Ordinal Loss - nową funkcję straty która bezpośrednio go eliminuje.
AMOL działa poprzez aplikowanie wagi m(k,y) = 1 + alpha (1 - |k-c|/c) (|y-c|/c) do każdego warunku straty, gdzie c to klasa środkowa, k to przewidywana klasa a y to prawdziwa etykieta. Waga staje się duża tylko wtedy gdy sieć przewiduje klasę blisko centrum dla próbek rzeczywiście daleko od centrum - dokładnie tam gdzie center-class hedging jest najproblemowszy. Wprowadzono też nową metrykę diagnostyczną (Center-Hedging Rate) bezpośrednio mierzącą skalę tego problemu.
Na czterech zbiorach danych eksperymentalnych AMOL uzyskało najlepsze lub równe wyniki we wszystkich przypadkach w porównaniu do standardowego cross-entropy i istniejących metod ordinalnych (OLL i SORD). Wariant asymetryczny (AMOL-asym) całkowicie wyeliminował center-class hedging na zbiorze Abalone, osiągając CHR równy zero. To podejście jest szczególnie ważne dla aplikacji gdzie kosztowne są błędy w określonym kierunku, na przykład oceny filmów czy diagnozowanie zaawansowania choroby.