好奇心遇合作：面向长尾多标签学习的博弈论方法
机器学习
2025-10-21 v1
摘要
长尾不平衡困扰着多标签学习：少数头部标签主导梯度信号，而大量稀有标签在实际应用中至关重要却被默默忽略。我们通过将任务建模为合作潜在博弈来解决这一问题。在我们的好奇心驱动的博弈论多标签学习（CD-GTMLL）框架中，标签空间被划分为多个合作玩家，他们共享全局准确度收益，同时获得随标签稀有性和玩家间不一致性上升的额外好奇心奖励。这些好奇惹奖励在不使用人工调谐类别权重的情况下，对 underrepresented 标签注入梯度。我们证明了梯度最佳回应更新沿可微潜在函数上升并收敛至稀有标签感知的稳态点，从而紧密界定了预期 Rare-F1 的下界。广泛的在常规基准和三个极端规模数据集上的实验显示，持续实现最新技术的提升，在提升 Rare-F1 最多可达 +4.3%，P@3 提升 +1.6%，而消融实验揭示了出现性分工和对稀有类别更快共识的现象。CD-GTMLL 因此为多标签预测中的长尾鲁棒性提供了原则且可扩展的路径。
引用
@article{arxiv.2510.17520,
title = {Curiosity Meets Cooperation: A Game-Theoretic Approach to Long-Tail Multi-Label Learning},
author = {Canran Xiao and Chuangxin Zhao and Zong Ke and Fei Shen},
journal= {arXiv preprint arXiv:2510.17520},
year = {2025}
}
备注
Under review