高秩属性下部分多标签学习中的稀疏性约束再探讨
机器学习
2025-05-28 v1
摘要
部分多标签学习（Partial Multi-Label Learning, PML）将多标签学习范式扩展到每个样本与一个包含真实标签和噪声标签的候选标签集相关联的场景。现有的 PML 方法通常依赖两个假设：噪声标签矩阵的稀疏性和真实标签矩阵的低秩性。然而，这些假设在现实场景中本质上是冲突且不切实际的，因为真实标签矩阵通常是满秩或接近满秩的。为了解决这些局限性，我们证明了稀疏约束有助于预测标签矩阵的高秩属性。基于此，我们提出了一种新方法 Schirn，该方法在噪声标签矩阵上引入稀疏约束，同时在预测标签矩阵上强制执行高秩属性。大量实验表明，与最先进的方法相比，Schirn 表现出卓越的性能，验证了其在应对现实世界 PML 挑战中的有效性。
引用
@article{arxiv.2505.20938,
title = {Revisiting Sparsity Constraint Under High-Rank Property in Partial Multi-Label Learning},
author = {Chongjie Si and Yidan Cui and Fuchao Yang and Xiaokang Yang and Wei Shen},
journal= {arXiv preprint arXiv:2505.20938},
year = {2025}
}