具有闭集与开集超出候选标签示例混合的部分标签学习
机器学习
2023-12-12 v2 计算机视觉与模式识别
摘要
部分标签学习（PLL）依赖于一个关键假设，即每个训练示例的真实标签必须位于候选标签集中。这一限制性假设在复杂现实场景中可能被违背，因此某些收集示例的真实标签可能意外地位于所分配候选标签集之外。在本文中，我们将真实标签位于候选标签集之外的示例称为OOC（超出候选）示例，并开创了学习含OOC示例的PLL新研究。我们考虑现实中两类OOC示例，即闭集/开集OOC示例，其真实标签位于/位于已知标签空间之外。为解决这一新PLL问题，我们首先分别从候选与非候选标签计算木叉熵损失，并基于专门设计的准则动态区分两类OOC示例。随后，对于闭集OOC示例，我们在非候选标签集中进行反向标签消歧；对于开集OOC示例，我们通过利用一种有效的正则化策略（从候选标签集动态分配随机候选标签）来将其用于训练。如此，两类OOC示例可被区分并进一步用于模型训练。大量实验表明，我们提出的方法优于最先进的PLL方法。
引用
@article{arxiv.2307.00553,
title = {Partial-label Learning with Mixed Closed-set and Open-set Out-of-candidate Examples},
author = {Shuo He and Lei Feng and Guowu Yang},
journal= {arXiv preprint arXiv:2307.00553},
year = {2023}
}
备注
Revised