利用共轭标签信息进行多实例部分标签学习
机器学习
2024-08-27 v1
摘要
多实例部分标签学习 (MIPL) 解决了每个训练样本表示为多实例袋，关联的候选标签集合包含一个真实标签和若干假阳性标签的情形。在此基础上，现有的 MIPL 算法主要关注将多实例袋映射到候选标签集合以进行消歧，忽略了标签空间的内在属性以及非候选标签集合所提供的监督信息。本文提出一种名为 ELIMIPL 的算法，即利用共轭标签信息进行多实例部分标签学习，通过从候选标签集合和非候选标签集合中提取标签信息，融合标签空间的内在属性来提高消歧性能。来自基准数据集和真实世界数据集的实验结果表明，所提出的 ELIMIPL 在 MIPL 算法和其他成熟的部分标签学习算法方面具有优势。
引用
@article{arxiv.2408.14369,
title = {Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning},
author = {Wei Tang and Weijia Zhang and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2408.14369},
year = {2024}
}
备注
Accepted at IJCAI 2024. The code can be found at https://github.com/tangw-seu/ELIMIPL