基于递归分离的不可靠偏标记学习
人工智能
2023-08-30 v2
摘要
偏标记学习（PLL）是一种典型的弱监督学习问题，其中每个样本关联一个候选标记集合，且其中仅有一个为真。然而，真实标记始终位于候选标记集合中的假设并不现实，因为实际应用中候选标记集合的可靠性无法由标注者保证。因此，提出了一种广义PLL，称为不可靠偏标记学习（UPLL），其中真实标记可能不在候选标记集合中。由于不可靠标记带来的挑战，以往的PLL方法在应用于UPLL时性能会显著下降。为解决该问题，我们提出了一种两阶段框架，称为基于递归分离的不可靠偏标记学习（UPLLRS）。在第一阶段，提出自适应递归分离策略，将训练集划分为可靠子集与不可靠子集。在第二阶段，采用消歧策略逐步识别可靠子集中的真实标记。同时，采用半监督学习方法从不可靠子集中提取有价值的信息。实验结果表明，我们的方法达到了最先进的性能，尤其是在高不可靠性情形下。代码与补充材料见 https://github.com/dhiyu/UPLLRS。
引用
@article{arxiv.2302.09891,
title = {Unreliable Partial Label Learning with Recursive Separation},
author = {Yu Shi and Ning Xu and Hua Yuan and Xin Geng},
journal= {arXiv preprint arXiv:2302.09891},
year = {2023}
}
备注
Accepted by IJCAI2023, see https://www.ijcai.org/proceedings/2023/0468