特征-标签模态对齐：鲁棒的部分多标签学习方法
机器学习
2026-04-13 v1
摘要
在部分多标签学习（PML）中，每个实例关联的候选标签集合包含真实标签和噪声标签。噪声标签的存在破坏了特征与标签之间的对应关系，降低分类性能。为解决此挑战，本文提出一种基于特征-标签模态对齐（PML-MA）的新型 PML 方法，将特征和标签视为两种互补模态，通过系统性对齐恢复其一致性。具体而言，PML-MA 首先采用低秩正交分解生成伪标签，以过滤噪声标签并近似真实标签分布。随后通过全局投影到共同子空间和局部保持邻域结构，对齐特征和伪标签。最后，一种多峰类原型学习机制利用多标签特性，使实例同时属于多个类别，并使用伪标签作为软成员权重以增强判别性。通过将模态对齐与原型引导的细化相结合，PML-MA 确保伪标签更能反映真实分布，同时对标签噪声具有鲁棒性。在真实数据集和合成数据集上的大量实验表明，PML-MA 显著优于最先进的方法，实现更高的分类准确率和噪声鲁棒性。
引用
@article{arxiv.2604.09064,
title = {Feature-Label Modal Alignment for Robust Partial Multi-Label Learning},
author = {Yu Chen and Weijun Lv and Yue Huang and Xiaozhao Fang and Jie Wen and Yong Xu and Guanbin Li},
journal= {arXiv preprint arXiv:2604.09064},
year = {2026}
}