通过学习多标签表示实现带偏标注的标签分布学习
机器学习
2025-02-04 v1
摘要
多标签学习 (MLL) 因其表示真实世界数据的能力而受到关注。标签分布学习 (LDL) 作为 MLL 从标签分布中学习的扩展，在收集准确的标签分布方面面临挑战。为解决带偏标注的问题，现有工作基于低秩假设，通过探索标签相关性从有偏观测中恢复真实分布。然而，最近的证据表明，标签分布往往是满秩的，简单地对有偏观测应用低秩近似会导致恢复不准确和性能下降。在本文中，我们从一个新颖的视角解决带偏标注的 LDL 问题，即首先将软标签分布退化为硬多热标签，然后为每个实例恢复真实的标签信息。这个想法源于一个见解：分配硬多热标签通常比分配软标签分布更容易，并且它对噪声干扰表现出更强的免疫力，从而导致更小的标签偏差。此外，假设用于预测标签分布的多标签空间是低秩的，为捕捉标签相关性提供了一种更合理的方法。理论分析和实验证实了我们的方法在真实世界数据集上的有效性和鲁棒性。
引用
@article{arxiv.2502.01170,
title = {Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation},
author = {Zhiqiang Kou and Si Qin and Hailin Wang and Mingkun Xie and Shuo Chen and Yuheng Jia and Tongliang Liu and Masashi Sugiyama and Xin Geng},
journal= {arXiv preprint arXiv:2502.01170},
year = {2025}
}