GBRIP：面向不平衡偏标记学习的粒球表示
计算机视觉与模式识别
2024-12-20 v1 机器学习
摘要
偏标记学习是一种复杂的弱监督多分类任务，且常伴有类别不平衡问题。目前，现有方法仅依赖类间特征的类间伪标签，往往忽略了类内不平衡特征与类间特征结合所带来的显著影响。为解决这些局限性，我们提出了面向不平衡偏标记学习的粒球表示（GBRIP），一种用于不平衡偏标记学习的新框架。GBRIP利用粗粒度粒球表示和多中心损失，通过无监督学习构建基于粒球的特征空间，有效捕捉每个类内的特征分布。GBRIP通过系统性地优化标签消歧和估计不平衡分布，减轻了混淆特征的影响。新颖的多中心损失函数通过强调样本与其在粒球内各自中心之间的关系来增强学习。在标准基准上的大量实验表明，GBRIP优于现有最先进方法，为不平衡偏标记学习的挑战提供了稳健的解决方案。
引用
@article{arxiv.2412.14561,
title = {GBRIP: Granular Ball Representation for Imbalanced Partial Label Learning},
author = {Jintao Huang and Yiu-ming Cheung and Chi-man Vong and Wenbin Qian},
journal= {arXiv preprint arXiv:2412.14561},
year = {2024}
}
备注
AAAI25