一个正标签足矣：基于标签增强的单正多标签学习

多标签学习（MLL）从同时关联多个标签的样例中进行学习，而为每个训练样例标注所有相关标签的高成本对实际应用构成挑战。为应对该挑战，我们研究单正多标签学习（SPMLL），其中每个样例仅标注一个相关标签，并表明可为此问题成功学习一个理论上有依据的多标签分类器。本文提出一种名为 SMILE 的新型 SPMLL 方法，即基于标签增强的单正多标签学习（Single-positive MultI-label learning with Label Enhancement）。具体而言，我们推导了一个无偏风险估计量，可保证近似收敛于完全监督学习的最优风险最小化器，并表明每个实例的一个正标签足以训练预测模型。随后，通过恢复潜在软标签作为标签增强过程，建立了相应的经验风险估计量，其中潜在软标签的后验密度被近似为由推断模型参数化的变分 Beta 密度。在基准数据集上的实验验证了所提方法的有效性。