对比式标签增强

标签分布学习（LDL）是一种用于解决标签模糊性的机器学习新范式。由于直接获取标签分布较为困难，许多研究致力于如何从逻辑标签中恢复标签分布，称为标签增强（LE）。现有LE方法仅在逻辑标签监督下，通过简单建立特征与标签分布之间的映射关系来估计标签分布。它们通常忽视了特征和逻辑标签都是对样本不同视角的描述这一事实。为此，我们提出一种称为对比式标签增强（ConLE）的新方法，该方法通过对比学习策略将特征和逻辑标签整合到统一投影空间中以生成高级特征。在该方法中，属于同一样本的特征和逻辑标签在投影空间中被拉近，而不同样本的特征和逻辑标签则被推远。随后，我们利用所获得的高级特征，通过考虑标签属性一致性的精心设计的训练策略来获取标签分布。在LDL基准数据集上的大量实验证明了我们方法的有效性和优越性。