不完整多标签学习综述：最新进展与未来趋势
机器学习
2024-06-11 v1
摘要
现实中，数据通常与多个标签相关联，这使得多标签学习(MLL)成为一个突出的研究课题。过去二十年见证了MLL的成功，这离不开完整且准确的监督信息。然而，在实践中获取此类信息通常费力，有时甚至不可能。为规避这一困境，不完整多标签学习(InMLL)应运而生，旨在从不完整标注的数据中学习。迄今为止，已经提出了大量的InMLL工作以缩小与完整MLL的性能差距，但针对InMLL的系统性综述仍然缺失。本文不仅试图填补这一空白，而且努力为创新研究铺平道路。具体来说，我们回顾了InMLL的起源，分析了InMLL面临的挑战，并分别从数据导向和算法导向的角度对InMLL进行了分类。此外，我们还介绍了InMLL在各个领域的实际应用。更重要的是，我们强调了几个潜在未来趋势，包括四个更符合实际的开放问题以及三种在应对InMLL挑战方面研究不足或尚未探索的技术，这可能为InMLL领域开发新的研究方向提供启示。
引用
@article{arxiv.2406.06119,
title = {A Survey on Incomplete Multi-label Learning: Recent Advances and Future Trends},
author = {Xiang Li and Jiexi Liu and Xinrui Wang and Songcan Chen},
journal= {arXiv preprint arXiv:2406.06119},
year = {2024}
}
备注
10 pages, 3 figures