D2ACE：由双动力学与自适应相关性增强引导的多标签批次选择
机器学习
2026-05-12 v1
摘要
批次选择对于提高深度多标签分类（MLC）的训练效率和预测性能至关重要。现有的批次选择方法通常依赖单一指标来评估实例重要性，并使用静态标签权重来区分标签重要性，忽略了训练过程中指标效用和标签重要性的动态演化。此外，显式利用标签相关性的方法在很大程度上受大量不相关标签的影响，并且对局部标签分布不敏感。为了解决这些问题，我们提出了 D2ACE，一种由双动力学和自适应相关性增强引导的新型多标签批次选择方法。D2ACE 通过将平衡不确定性和抗噪难度的阶段性伯努利混合采样与基于当前指标统计在每个 epoch 重新校准标签优先级的动态标签加权相结合，显式捕获指标和标签级训练动力学。此外，D2ACE 引入了局部上下文感知相关性增强，以关注具有实例自适应依赖性的相关标签。在表格和图像基准上的广泛实验表明，D2ACE 优于现有的批次选择方法，适用于各种深度 MLC 模型，实现了更强的预测性能和更高效的相关性建模。
引用
@article{arxiv.2605.09400,
title = {D2ACE: Multi-Label Batch Selection Guided by Dual Dynamics and Adaptive Correlation Enhancement},
author = {Bin Liu and Haoyu Peng and Zhijia Wei and Jiajing Zhang and Grigorios Tsoumakas},
journal= {arXiv preprint arXiv:2605.09400},
year = {2026}
}
备注
18 pages