利用无标签数据的控制器引导部分标签一致性正则化
人工智能
2024-02-28 v4
摘要
部分标签学习（PLL）从每个关联多个候选标签的训练样本中学习，其中仅有一个有效。近年来，受益于处理模糊监督的强能力与现代数据增强方法的推动，基于一致性正则化的 PLL 方法取得了一系列成功并成为主流。然而，当部分标注变得不充分时，其性能显著下降。在本文中，我们利用易获取的无标签样本来促进部分标签一致性正则化。除部分监督损失外，我们的方法借助无标签数据在标签级与表示级执行控制器引导的一致性正则化。为最小化初始监督模型能力不足带来的弊端，我们使用控制器估计当前每个预测的置信度以引导后续的一致性正则化。此外，我们动态调整置信度阈值，使参与一致性正则化的每类样本数量保持大致相等，以缓解类不平衡问题。实验表明，我们的方法在更实际的情境中取得令人满意的性能，且其模块可应用于现有 PLL 方法以增强其能力。
引用
@article{arxiv.2210.11194,
title = {Controller-Guided Partial Label Consistency Regularization with Unlabeled Data},
author = {Qian-Wei Wang and Bowen Zhao and Mingyan Zhu and Tianxiang Li and Zimo Liu and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2210.11194},
year = {2024}
}