从单正标签中挖掘多标签样本
机器学习
2023-05-30 v4 机器学习
摘要
条件生成对抗网络(cGANs)在类条件生成任务中已展现出优越的结果。为了同时控制多个条件,cGANs需要多标签训练数据集,其中每个数据实例可被赋予多个标签。然而,巨大的标注成本限制了真实场景中多标签数据集的可获取性。因此,在本研究中我们探索一种称为单正标签设置的实用设定,其中每个数据实例仅由一个正标签标注,且无显式负标签。为了在单正标签设置下生成多标签数据,我们提出一种基于马尔可夫链蒙特卡洛方法的新型采样方法,称为单标签到多标签(S2M)采样。作为一种广泛适用的“附加”方法,我们提出的S2M采样方法使现有的无条件与有条件GANs能够以极小的标注成本抽取高质量的多标签数据。在真实图像数据集上的大量实验验证了我们的方法即便与用完全标注数据集训练的模型相比也具备有效性与正确性。
引用
@article{arxiv.2206.05764,
title = {Mining Multi-Label Samples from Single Positive Labels},
author = {Youngin Cho and Daejin Kim and Mohammad Azam Khan and Jaegul Choo},
journal= {arXiv preprint arXiv:2206.05764},
year = {2023}
}
备注
NeurIPS 2022