一种面向基于实例的超集标签学习的正则化方法
计算机视觉与模式识别
2019-04-08 v1
摘要
与每个训练样本仅有单一显式标签的传统监督学习不同，超集标签学习（SLL）指的是一个训练样本可关联一组候选标签、且其中仅有一个正确的问题。现有SLL方法要么基于正则化，要么基于实例，其中后者取得了最先进的性能。这是因为最新的基于实例的方法包含显式的消歧操作，能从模糊的候选标签中准确挑出每个训练样本的真实标签。然而，此类消歧操作未充分考虑不同候选标签间的互斥关系，因此消歧后的标签通常以非判别性的方式生成，不利于基于实例的方法获得满意性能。为弥补该缺陷，我们提出了一种面向基于实例的超集标签（RegISL）学习的新正则化方法，使我们的基于实例的方法也继承正则化方案所具备的良好判别能力。具体而言，我们用图表示训练集，并要求图上相邻样本获得相似标签。更重要的是，提出了一个判别项以拉大每个训练样本的可能标签与不可能标签间的数值差距。由此，不同候选标签间的内在约束得以利用，且RegISL生成的消歧标签比现有基于实例的算法输出更具判别性与准确性。在多项任务上的实验结果令人信服地证明了我们的RegISL在训练精度与测试精度上均优于其他典型SLL方法。
引用
@article{arxiv.1904.02832,
title = {A Regularization Approach for Instance-Based Superset Label Learning},
author = {Chen Gong and Tongliang Liu and Yuanyan Tang and Jian Yang and Jie Yang and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.02832},
year = {2019}
}