面向不可靠部分标签学习的鲁棒表示学习
机器学习
2023-09-01 v1
摘要
部分标签学习（PLL）是一类弱监督学习，其中每个训练样本被赋予一组候选标签，但仅有一个为真实标签。然而，由于潜在的标注错误，这一理想假设未必总成立，即真实标签可能不在候选标签集中。这被称为不可靠部分标签学习（UPLL），其因部分标签固有的不可靠性与歧义性而引入额外复杂度，常导致现有方法性能次优。为应对该挑战，我们提出不可靠性-鲁棒表示学习框架（URRL），利用不可靠性-鲁棒对比学习帮助模型有效抵御不可靠部分标签。同时，我们提出一种双重策略，结合基于 KNN 的候选标签集校正与基于一致性正则化的标签消歧，以在 URRL 框架内精炼标签质量并增强表示学习能力。大量实验表明，所提方法在具有不同不可靠度与歧义度的多个数据集上优于最先进的 PLL 方法。此外，我们从期望最大化（EM）算法角度给出了方法的理论分析。录用后，我们承诺公开代码。
引用
@article{arxiv.2308.16718,
title = {Robust Representation Learning for Unreliable Partial Label Learning},
author = {Yu Shi and Dong-Dong Wu and Xin Geng and Min-Ling Zhang},
journal= {arXiv preprint arXiv:2308.16718},
year = {2023}
}