基于边际调整的多实例部分标签学习
机器学习
2025-01-23 v1
摘要
多实例部分标签学习(MIPL)是一种新兴的学习框架，其中每个训练样本表示为一个与候选标签集相关联的多实例包。现有MIPL算法常常忽视注意力得分和预测概率的边际，导致次优的泛化性能。这些算法的关键问题是，分类器的最高预测概率可能出现在非候选标签上。本文提出一种名为MIPLMA的算法，即Multi-Instance Partial-Label learning with Margin Adjustment，通过调整注意力得分和预测概率的边际来实现此目标。我们引入一种边际感知注意力机制，以动态调整注意力得分的边际，并提出一种边际分布损失以约束候选标签集和非候选标签集之间预测概率的边际。实验结果表明，MIPLMA在现有MIPL算法以及其他成熟的多实例学习算法和部分标签学习算法方面表现优异。
引用
@article{arxiv.2501.12597,
title = {Multi-Instance Partial-Label Learning with Margin Adjustment},
author = {Wei Tang and Yin-Fang Yang and Zhaofei Wang and Weijia Zhang and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2501.12597},
year = {2025}
}
备注
Accepted at NeurIPS 2024. The code can be found at https://github.com/tangw-seu/MIPLMA