将监督学习与强化学习结合用于部分标签的多标签分类任务
计算与语言
2024-06-25 v1 人工智能
摘要
传统监督学习严重依赖人工标注数据集，尤其在数据驱动的神经方法中。然而，各种任务，特别是多标签任务如文档级关系抽取，因特定领域知识和大型类别集合的限制，难以进行完全人工标注。因此，我们针对多标签正-未标注学习（MLPUL）问题，即仅标注部分正类标签，提出了 Mixture Learner for Partially Annotated Classification（MLPAC），一个结合了强化学习探索能力和监督学习利用能力的框架。跨越多个任务的实验结果，包括文档级关系抽取、多标签图像分类和二进制PU学习，均表明了该框架的通用性和有效性。
引用
@article{arxiv.2406.16293,
title = {Combining Supervised Learning and Reinforcement Learning for Multi-Label Classification Tasks with Partial Labels},
author = {Zixia Jia and Junpeng Li and Shichuan Zhang and Anji Liu and Zilong Zheng},
journal= {arXiv preprint arXiv:2406.16293},
year = {2024}
}