基于元目标引导消歧的部分标签学习

部分标签学习(PLL)是一种典型的弱监督学习框架，其中每个训练样本关联一个候选标签集，其中仅有一个标签有效。为解决 PLL 问题，典型方法尝试通过对候选集进行消歧，或使用先验知识（如训练数据的结构信息），或以自训练方式精炼模型输出。遗憾的是，由于缺乏先验信息或模型训练早期预测不可靠，这些方法常无法获得良好性能。本文提出一种新颖的带元目标引导消歧(MoGD)的部分标签学习框架，旨在通过在小验证集上求解元目标从候选标签集中恢复真实标签。具体而言，为减轻假阳性标签的负面影响，我们基于验证集上的元损失对每个候选标签重新加权。随后，分类器通过最小化加权交叉熵损失进行训练。所提方法可借助普通 SGD 优化器利用多种深度网络轻松实现。理论上，我们证明了元目标的收敛性质并推导了所提方法的估计误差界。在多个基准数据集与真实世界 PLL 数据集上的大量实验表明，与最先进方法相比，所提方法能获得有竞争力的性能。