含噪声标签下的多标签分类器评估
机器学习
2021-02-18 v1 机器学习
摘要
多标签分类（MLC）是标准分类的推广，其中给定样本可被赋予多个标签。在现实世界中，鉴于现代数据集由众包平台上大量标注者进行标注，处理含噪声数据集比处理干净数据集更为常见，但针对含噪声标签下多标签分类器评估的研究却很少。利用标签相关性现已成为多标签分类器取得有竞争力性能的标配组件。然而，该组件使分类器更易泛化不佳——它过拟合了标签以及标签依赖关系。我们识别出三种常见的现实世界标签噪声场景，并展示了以往方法在含噪声标签下表现糟糕。为解决此问题，我们提出一种基于上下文的多标签分类器（CbMLC），可在学习标签依赖时有效处理噪声标签，且无需额外监督。我们在干净与噪声设置下，于多种数据集上将 CbMLC 与其他领域特定的最先进模型进行比较。我们表明在大多数情况下 CbMLC 相较先前方法取得了实质性改进。
引用
@article{arxiv.2102.08427,
title = {Evaluating Multi-label Classifiers with Noisy Labels},
author = {Wenting Zhao and Carla Gomes},
journal= {arXiv preprint arXiv:2102.08427},
year = {2021}
}