PLOOD：具有分布外对象的偏标记学习
计算机视觉与模式识别
2025-03-13 v4
摘要
现有的偏标记学习（PLL）方法假设训练数据和测试数据遵循相同的分布，这一前提在存在分布外（OOD）对象的实际应用中往往不成立。我们引入了 OODPLL 范式来解决这一重要但尚未被充分探索的问题。我们新提出的 PLOOD 框架通过正负样本增强（PNSA）特征学习和基于部分能量（PE）的标签细化，使 PLL 能够应对 OOD 对象。PNSA 模块通过模拟分布内和分布外实例（采用结构化的正负样本增强）来增强特征判别力和 OOD 识别能力，这与难以区分 OOD 样本的传统 PLL 方法形成对比。PE 评分机制将标签置信度与基于能量的不确定性估计相结合，从而减少了不精确监督的影响并有效实现了标签消歧。在 CIFAR-10 和 CIFAR-100 以及各种 OOD 数据集上的实验结果表明，传统 PLL 方法在 OOD 场景下表现出显著的性能下降，突显了在 PLL 方法中纳入 OOD 考量的必要性。消融研究表明，PNSA 特征学习和基于 PE 的标签细化是 PLOOD 生效所必需的，为开放集 PLL 问题提供了稳健的解决方案。
引用
@article{arxiv.2403.06681,
title = {PLOOD: Partial Label Learning with Out-of-distribution Objects},
author = {Jintao Huang and Yiu-Ming Cheung and Chi-Man Vong},
journal= {arXiv preprint arXiv:2403.06681},
year = {2025}
}