基于对比学习的高斯混合变分自编码器用于多标签分类
机器学习
2022-06-13 v2
摘要
多标签分类（MLC）是一种每个样本可具有多个标签的预测任务。我们提出一种基于高斯混合变分自编码器（C-GMVAE）的新型对比学习增强多标签预测模型，其学习多模态先验空间并采用对比损失。许多现有方法除预测模块外，引入图神经网络等额外复杂神经模块以捕捉标签相关性。我们发现，通过在监督设置中使用对比学习，可以数据驱动方式有效利用标签信息，并学习捕捉标签相关性且增强预测能力的有意义特征与标签嵌入。我们的方法还采用为特征与标签学习并对齐潜在空间的思想。与先前基于单模态先验的工作不同，C-GMVAE 在潜在空间上施加高斯混合结构，以缓解后验坍缩与过度正则化问题。C-GMVAE 在多个公开数据集上优于现有方法，且常仅用 50% 训练数据即可匹配其他模型的完整性能。此外，我们表明所学嵌入可洞察标签-标签相互作用的解释。
引用
@article{arxiv.2112.00976,
title = {Gaussian Mixture Variational Autoencoder with Contrastive Learning for Multi-Label Classification},
author = {Junwen Bai and Shufeng Kong and Carla P. Gomes},
journal= {arXiv preprint arXiv:2112.00976},
year = {2022}
}
备注
Accepted to ICML 2022