基于保形候选清洗的偏标记学习

现实世界中的数据往往具有歧义性；例如，人工标注会产生带有多个冲突类标签的实例。偏标记学习 (Partial-label learning, PLL) 旨在这种具有挑战性的设定下训练分类器，其中每个实例与一组候选标签以及一个正确但未知的类标签相关联。针对该设定存在大量算法，为了提升其预测质量，已引入了多种适用于广泛 PLL 方法的扩展。尽管许多扩展依赖于启发式方法，本文提出了一种新颖的增强方法，利用保形预测增量地修剪候选集。为解决保形预测通常所需的缺失带标签验证集问题，我们提出了一种交替策略：训练 PLL 分类器为验证集打标签，利用这些预测的类标签进行校准，并修剪不属于所得保形集的候选标签。在此意义上，我们的方法在经验风险最小化与候选集修剪之间交替进行。我们证明了我们的修剪方法保持了相对于未知真实标签的保形有效性。我们在人工和真实数据上的广泛实验表明，所提出的方法显著提升了多种 SOTA PLL 分类器的测试集准确率。