多标签学习中每次仅推开一对标签：从单正标签到全标签

在多标签学习（MLL）中，由于成本高昂和知识有限，精确标注每个出现的对象极具挑战。面对此挑战，一种更实用且更廉价的替代方案应是单正多标签学习（SPMLL），其每样本仅需提供一个正标签。现有 SPMLL 方法通常将未知标签假设为负标签，这不可避免地引入作为噪声标签的假负例。更严重的是，训练常采用二值交叉熵（BCE）损失，其以对噪声标签不鲁棒而著称。为缓解该问题，我们为 SPMLL 定制了目标函数，每次仅推开一对标签以防止负标签主导——负标签主导正是 SPMLL 中拟合噪声标签的罪魁祸首。为进一步对抗此类噪声标签，我们探究了标签矩阵的高秩性，其同样可推开不同标签。通过从 SPMLL 直接扩展至具全标签的 MLL，导出了一种适用于两种设置的统一损失。在真实数据集上的实验表明，所提损失不仅对 SPMLL 中的噪声标签更鲁棒，也适用于全标签。此外，我们经验性地发现高秩性可缓解 SPMLL 中的剧烈性能下降。最令人惊讶的是，即便无任何正则化或精细的标签修正，仅采用我们的损失即在严重缺乏标签的数据集 CUB 上击败了最先进的 SPMLL 方法。