从部分有效数据中恢复准确标注信息以实现高效多标签学习
机器学习
2020-06-23 v1 机器学习
摘要
部分多标签学习（PML）旨在从具有噪声监督的数据集中推导多标签预测器，其中每个训练实例关联若干候选标签但仅部分有效。为解决噪声问题，现有 PML 方法基本通过利用候选标签的地面真值置信度（即候选标签为地面真值的可能性）来恢复地面真值标签。然而，它们忽略了来自非候选标签的信息，后者可能对地面真值标签恢复有贡献。在本文中，我们提出从标签富集（由候选标签的相关度与非候选标签的不相关度组成）恢复地面真值标签，即估计地面真值置信度。基于该观察，我们进一步提出一种新颖的两阶段 PML 方法，即带有标签富集恢复的部分多标签学习（PML-LER），其中第一阶段以无约束标签传播估计标签富集，随后在给定标签富集下联合学习地面真值置信度与多标签预测器。实验结果验证 PML-LER 优于最先进的 PML 方法。
引用
@article{arxiv.2006.11488,
title = {Recovering Accurate Labeling Information from Partially Valid Data for Effective Multi-Label Learning},
author = {Ximing Li and Yang Wang},
journal= {arXiv preprint arXiv:2006.11488},
year = {2020}
}
备注
Appeared at IJCAI 2020