利用混合依赖图处理缺失标签的多标签学习
计算机视觉与模式识别
2018-04-03 v1 机器学习
摘要
本工作关注带有缺失标签的多标签学习(MLML)问题，旨在给定具有不完整/部分标签集合的训练实例时，为每个测试实例标注多个类标签。处理缺失标签的关键在于通过依赖图将标签信息从已提供标签传播到缺失标签，其中每个实例的每个标签被视为一个节点。我们利用不同类型的标签依赖关系构建此图。具体而言，实例级相似性用作无向边以连接不同实例间的标签节点，语义标签层次结构用作有向边以连接不同类别。该基础图被称为混合依赖图，因其同时包含无向边和有向边。此外，我们提出另外两类标签依赖关系以连接不同类别间的标签节点。其一为类共现，同样编码为无向边。结合基础图，我们得到一个新的混合图，称为MG-CO(带共现的混合图)。其二是整个标签矩阵的稀疏与低秩分解，用以嵌入所有标签上的高阶依赖。结合基础图，该新混合图称为MG-SL(带稀疏与低秩分解的混合图)。基于MG-CO和MG-SL，我们提出了MLML问题的两个凸转导式公式，分别记为MLMG-CO和MLMG-SL。包括图像标注和基于标签的图像检索在内的两个重要应用可使用我们提出的方法联合处理。在基准数据集上的实验表明，相较于最先进的方法，我们的方法在性能和对待缺失标签的鲁棒性上均有显著提升。
引用
@article{arxiv.1804.00117,
title = {Multi-label Learning with Missing Labels using Mixed Dependency Graphs},
author = {Baoyuan Wu and Fan Jia and Wei Liu and Bernard Ghanem and Siwei Lyu},
journal= {arXiv preprint arXiv:1804.00117},
year = {2018}
}
备注
Published in International Journal of Computer Vision, 2018