面向粗粒度与细粒度的多图多标签学习
机器学习
2020-12-22 v1 机器学习
摘要
多图多标签学习（\textsc{Mgml}）是一种监督学习框架，旨在从一组已标注的包中学习多标签分类器，每个包包含若干图。已有的 \textsc{Mgml} 技术基于将图转化为实例而发展，且仅关注在包级别学习未见的标签。本文提出一种\textit{粗}粒度与\textit{细}粒度的多图多标签（cfMGML）学习框架，其直接在图上构建学习模型，并支持在\textit{粗}粒度（即包）级别与\textit{细}粒度（即各包内图）级别进行标签预测。具体而言，给定一组已标注多图包，我们设计图级与包级评分函数，利用特定图核建模标签与数据间的相关性。同时，我们提出一种阈值化排序损失目标函数，对图与包的标签进行排序，并一步同时最小化汉明损失，旨在解决传统排序损失算法中的误差累积问题。为处理非凸优化问题，我们进一步开发了有效的次梯度下降算法以应对 cfMGML 所需的高维空间计算。在多个真实数据集上的实验表明，cfMGML 优于当前最优（SOTA）算法。
引用
@article{arxiv.2012.10650,
title = {Towards Coarse and Fine-grained Multi-Graph Multi-Label Learning},
author = {Yejiang Wang and Yuhai Zhao and Zhengkui Wang and Chengqi Zhang},
journal= {arXiv preprint arXiv:2012.10650},
year = {2020}
}