基于图消歧的深度偏多标签学习
机器学习
2023-05-11 v1
摘要
在偏多标签学习（PML）中，每个数据样本都配备一个候选标签集，其中包含多个真实标签以及其他假阳性标签。近来，基于图的方法因能从候选标签中较好估计准确置信度分数，已广泛用于处理PML问题。然而，我们观察到现有基于图的PML方法通常采用线性多标签分类器，因而无法取得优越性能。在这项工作中，我们尝试扫除将其扩展至深度模型的若干障碍，并提出一种新颖的带图消歧的深度偏多标签模型（PLAIN）。具体而言，我们引入实例级和标签级相似性来恢复标签置信度并利用标签依赖关系。在每个训练轮次中，标签在实例图和标签图上传播以产生相对准确的伪标签；随后我们训练深度模型以拟合这些数值标签。此外，我们对风险函数进行了细致分析，以保证所提模型的鲁棒性。在多个合成数据集和三个真实世界PML数据集上的大量实验表明，PLAIN取得了显著优于最先进方法的结果。
引用
@article{arxiv.2305.05882,
title = {Deep Partial Multi-Label Learning with Graph Disambiguation},
author = {Haobo Wang and Shisong Yang and Gengyu Lyu and Weiwei Liu and Tianlei Hu and Ke Chen and Songhe Feng and Gang Chen},
journal= {arXiv preprint arXiv:2305.05882},
year = {2023}
}
备注
IJCAI 2023