.png){kind=icon}
返回
An efficient self-paced multi-view method for partial label learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116969.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分标签学习（PLL）旨在从模糊监督数据中学习，其中每个训练实例关联一个包含真实标签的候选标签集。尽管多视图数据可以为解决标签模糊性提供互补信息，但现有的多视图PLL方法仍然难以在一个统一框架内联合处理标签模糊性、视图异质性和渐进去模糊化。为此，我们提出了SP-MVPLL，一种用于部分标签学习的有效自定步长多视图方法。具体而言，我们在潜在标签和最大间隔框架下对多视图PLL进行建模，并引入一个共识分布以在输出层强制交叉视图一致性。为缓解标签模糊和噪声监督的负面影响，我们采用自定步长学习在训练过程中逐步强调简单可靠实例。同时，开发了一种熵正则化自适应视图加权机制，以自动平衡不同视图的贡献并防止退化的视图聚合。在五个基准数据集上的广泛实验表明，SP-MVPLL在不同模糊水平下均优于现有最佳基线方法。一项受控的双视图运行时间研究进一步显示，SP-MVPLL在五个数据集中的三个上是最快的方法。当使用所有可用视图时，SP-MVPLL在所有数据集上均比CFDM更快，训练时间减少了52.4%–66.6%。
Keyword:
Partial label learning
Multi-view learning
Self-paced learning
Adaptive view weighting
