双解耦学习与度自适应阈值化用于半监督多标签学习

半监督多标签学习（SSMLL）是一种强大的框架，可用于通过利用无标签数据来降低收集精确多标签标注的高昂成本。不同于半监督学习，SSMLL 不能选择最可能的标签作为伪标签，因为实例包含多个语义。为解决此问题，主流方法开发了有效的阈值策略以生成准确的伪标签。然而，该方法忽略了模型预测质量及其对伪标签化性能的潜在影响。本文提出了一种双视角方法以生成高质量的伪标签。为提高模型预测质量，我们进行双解耦以提升相关特征和判别特征的学习，同时优化伪标签的生成与利用。为获得适当的类别阈值，我们提出了度自适应阈值化策略以估计这些阈值，从而最大化给定指标在标记数据上的伪标签性能。在多个基准数据集上的实验表明，所提方法可实现最佳性能，并以显著优势超过比较方法。