面向鲁棒单正多标签学习的双曲线结构分类
计算机视觉与模式识别
2025-10-20 v1 机器学习
摘要
单正多标签学习（SPMLL）解决的是一个挑战性问题，即每个训练样本仅标记一个正标签，尽管可能属于多个类别，这使得捕捉复杂的标签关系和层次结构变得困难。现有方法通过基于距离的相似性隐式建模标签关系，缺乏对不同关系类型的显式几何定义。为此，本文提出首个针对 SPMLL 的双曲线分类框架，将每个标签表示为双曲球，而非点或向量，通过几何球之间的相互作用实现丰富的标签间关系建模。基于球的做法自然地同时捕获多种关系类型：包含用于层次结构，重叠用于共现模式，分离用于语义独立性。进一步，我们引入两个关键组件创新：温度自适应双曲球分类器和基于物理的双井正则化，后者引导球向有意义的配置发展。为验证所提方法，在四个基准数据集（MS-COCO、PASCAL VOC、NUS-WIDE、CUB-200-2011）上进行大量实验，结果显示其在与现有方法竞争性能方面具有优势且可解释性更佳。此外，统计分析揭示了所学习的嵌入与真实世界共现模式之间的强相关性，确立了双曲几何作为不完全监督下结构化分类的更健壮范式。
引用
@article{arxiv.2510.15296,
title = {Hyperbolic Structured Classification for Robust Single Positive Multi-label Learning},
author = {Yiming Lin and Shang Wang and Junkai Zhou and Qiufeng Wang and Xiao-Bo Jin and Kaizhu Huang},
journal= {arXiv preprint arXiv:2510.15296},
year = {2025}
}
备注
8 pages, ICDM Workshop