多示例偏标记学习：迈向双重不精确监督的利用
机器学习
2022-12-20 v1
摘要
弱监督机器学习算法能够从模糊的样本或标签中学习，例如多示例学习或偏标记学习。然而，在一些现实世界任务中，每个训练样本不仅关联多个示例，还关联一个包含一个真实标签和一些假阳性标签的候选标签集。具体而言，至少有一个示例属于真实标签，而没有示例属于假阳性标签。在本文中，我们将此类问题形式化为多示例偏标记学习（MIPL）。现有的多示例学习算法和偏标记学习算法在解决 MIPL 问题时均非最优，因为前者无法消歧候选标签集，而后者无法处理多示例包。为解决这些问题，我们提出了一种名为 MIPLGP 的定制算法，即基于高斯过程的多示例偏标记学习。MIPLGP 首先在增广标签空间中为每个实例分配一个候选标签集，然后将该候选标签集转换到对数空间，通过一种排他性消歧策略产生消歧后的连续标签，最后基于高斯过程归纳出一个模型。在多个数据集上的实验结果验证了 MIPLGP 在解决 MIPL 问题上优于现有的多实例学习和偏标记学习算法。我们的代码和数据集将公开发布。
引用
@article{arxiv.2212.08997,
title = {Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision},
author = {Wei Tang and Weijia Zhang and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2212.08997},
year = {2022}
}