通过带标签噪声学习从标签比例中学习
机器学习
2023-09-26 v2
摘要
从标签比例中学习（LLP）是一种弱监督分类问题，其中数据点被分组为袋，观察到每个袋内的标签比例而非实例级标签。任务是学习一个分类器来预测未来单个实例的个体标签。先前针对多类数据的LLP研究尚未开发出具有理论依据的算法。在本工作中，我们基于归约为带标签噪声学习，使用\citet{Patrini2017MakingDN}的前向校正（FC）损失，提供了一种具有理论依据的LLP方法。我们为我们的方法建立了超额风险界和泛化误差分析，同时也扩展了FC损失的理论，这本身可能具有独立意义。与现有领先方法相比，我们的方法在多个数据集和架构的深度学习场景中展现出改进的经验性能。
引用
@article{arxiv.2203.02496,
title = {Learning from Label Proportions by Learning with Label Noise},
author = {Jianxin Zhang and Yutong Wang and Clayton Scott},
journal= {arXiv preprint arXiv:2203.02496},
year = {2023}
}