面向实例依赖部分标签学习的分解式生成过程
机器学习
2023-02-02 v3
摘要
部分标签学习（PLL）是一种典型的弱监督学习问题，其中每个训练样本关联一组候选标签，且仅有其中一个为真。现有多数 PLL 方法假设每个训练样本中的错误标签被随机选为候选标签，并以简单方式对候选标签的生成过程建模。然而，由于候选标签的生成过程总是实例依赖的，这些方法通常表现不如预期。因此，值得以精细方式对其建模。本文考虑实例依赖的 PLL，并假设候选标签的生成过程可分解为两个顺序部分：标注者心中先浮现正确标签，随后由于标注的不确定性，与特征相关的错误标签也作为候选标签与正确标签一同被选出。受此启发，我们提出一种新颖的 PLL 方法，基于通过分解概率分布模型显式建模的候选标签生成过程执行最大后验（MAP）。在人工 corrupted 基准数据集和真实世界数据集上的大量实验验证了所提方法的有效性。源代码见 https://github.com/palm-ml/idgp。
引用
@article{arxiv.2204.03845,
title = {Decompositional Generation Process for Instance-Dependent Partial Label Learning},
author = {Congyu Qiao and Ning Xu and Xin Geng},
journal= {arXiv preprint arXiv:2204.03845},
year = {2023}
}
备注
ICLR 2023 Spotlight