基于双二部图自编码器的通用部分标签学习
计算机视觉与模式识别
2021-09-10 v2
摘要
我们提出了一个实用但具挑战性的问题：通用部分标签学习（GPLL）。与传统的部分标签学习（PLL）问题相比，GPLL 将监督假设从实例级——一个标签集部分地标注一个实例——放宽到组级：1）一个标签集部分地标注一组实例，其中组内实例-标签链接标注缺失；2）允许跨组链接——一个组中的实例可能部分地链接到来自另一个组的标签集。这种模糊的组级监督在真实场景中是更实用的，因为不再需要实例级的额外标注，例如视频中的人脸-姓名对应，其中组由一帧中的人脸组成，由相应字幕中的姓名集标注。在本文中，我们提出了一种称为双二部图自编码器（DB-GAE）的新型图卷积网络（GCN）来解决 GPLL 的标签模糊性挑战。首先，我们利用跨组相关性将实例组表示为双二部图：组内和跨组，它们相互补充以解决链接模糊性。其次，我们设计了一个 GCN 自编码器来编码和解码它们，其中解码结果被视为精炼结果。值得注意的是，DB-GAE 是自监督且直推式的，因为它仅使用组级监督而没有单独的离线训练阶段。在两个真实世界数据集上的大量实验表明，DB-GAE 在绝对 F1 分数上显著优于最佳基线 0.159，在准确率上优于 24.8%。我们进一步对不同级别的标签模糊性进行了分析。
引用
@article{arxiv.2001.01290,
title = {General Partial Label Learning via Dual Bipartite Graph Autoencoder},
author = {Brian Chen and Bo Wu and Alireza Zareian and Hanwang Zhang and Shih-Fu Chang},
journal= {arXiv preprint arXiv:2001.01290},
year = {2021}
}
备注
8 pages