消除实例依赖部分标签学习中的实例纠缠
计算机视觉与模式识别
2026-03-06 v1 机器学习
摘要
部分标签学习是一种突显的弱监督分类任务，其中每个训练实例模糊地标记为一组候选标签。在实际场景中，候选标签常受实例特征影响，导致实例依赖 PLL（ID-PLL）的出现，这一设定更准确地反映了这种关系。ID-PLL 的主要挑战在于实例纠缠：来自相似类别的实例共享重叠特征和候选标签，导致类别混淆加剧。为此，我们提出了一种 novel Class-specific Augmentation based Disentanglement（CAD）框架，通过 both intra- 和 inter-class 规制来解决实例纠缠问题。在类内规制方面，CAD 放大类特定特征以生成 class-wise augmentations，并跨实例对齐相同类别的 augmentations。在类间规制方面，CAD 引入加权惩罚损失函数，对更模糊的标签施加更强惩罚，以鼓励更大的类间距离。通过联合应用类内和类间规制，CAD 改善了类边界的清晰度，减少了由纠缠导致的类混淆。广泛的实验结果表明，CAD 在消除纠缠问题方面有效，同时提升了 ID-PLL 性能。代码已公开于 https://github.com/RyanZhaoIc/CAD.git。
引用
@article{arxiv.2603.04825,
title = {Mitigating Instance Entanglement in Instance-Dependent Partial Label Learning},
author = {Rui Zhao and Bin Shi and Kai Sun and Bo Dong},
journal= {arXiv preprint arXiv:2603.04825},
year = {2026}
}
备注
Accepted to CVPR2026