CroSel:面向部分标签学习的可信伪标签交叉选择方法
机器学习
2024-03-28 v3 人工智能
摘要
部分标签学习(PLL)是一个重要的弱监督学习问题,它允许每个训练样本拥有一个候选标签集而非单一真实标签。基于辨识的方法已被广泛探索以应对 PLL 中的标签歧义问题,这类方法将真实标签视为待辨识的潜变量。然而,准确且完整地辨识真实标签仍然具有挑战性,导致模型训练过程中伪标签存在噪声。本文提出一种称为 CroSel 的新方法,利用模型的历史预测为大多数训练样本辨识真实标签。首先,我们引入一种交叉选择策略,使两个深度模型相互为部分标签数据选择真实标签。此外,我们提出一种称为 co-mix 的新型一致性正则项,以避免样本浪费和错误选择引起的微小噪声。由此,CroSel 能够以高精度挑选出大多数样本的真实标签。大量实验证明了 CroSel 的优越性,其在基准数据集上一致优于以往最先进的方法。此外,我们的方法在各种设置下于 CIFAR 类数据集上选择真实标签的准确率和数量均超过 90%。
引用
@article{arxiv.2303.10365,
title = {CroSel: Cross Selection of Confident Pseudo Labels for Partial-Label Learning},
author = {Shiyu Tian and Hongxin Wei and Yiqun Wang and Lei Feng},
journal= {arXiv preprint arXiv:2303.10365},
year = {2024}
}
备注
Accepted by CVPR 2024