面向噪声和变化标签分布的在线多标签分类
机器学习
2024-10-04 v1 人工智能
摘要
多标签数据流通常包含噪声标签，既存在于相关标签中，也存在于不相关标签中。然而，现有的在线多标签分类方法在标签质量方面受限，无法处理噪声标签的情况。此外，真实标签分布可能随时间变化，这些变化隐藏在观察到的噪声标签分布中，难以追踪，这构成了概念漂移适应的主要挑战。为此，我们提出一种基于噪声和变化标签分布的在线多标签分类算法 (NCLD)。设计了凸目标函数，同时建模标签评分和标签排序，以获得高精度。其对NCLD的鲁棒性来自三个新方法：1) 使用局部特征图在观察标签的同时重构标签得分，并推导并应用无偏排序损失以学习可靠的排序信息；2)通过检测相邻两个数据块之间基于无偏标签基数的差异，识别真实标签分布的变化，并重置从过去学习的排序或全部信息以匹配新的分布；3)基于从闭式最优模型解得到的更新规则，实现高效且准确的更新。最终，经验实验结果验证了我们方法在NCLD下对实例分类的有效性。
引用
@article{arxiv.2410.02394,
title = {Online Multi-Label Classification under Noisy and Changing Label Distribution},
author = {Yizhang Zou and Xuegang Hu and Peipei Li and Jun Hu and You Wu},
journal= {arXiv preprint arXiv:2410.02394},
year = {2024}
}