.png){kind=icon}
返回
Classifier enhancement based on credible sample selection for partial multi-label learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06769-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分多标签学习（PML）是一种弱监督框架，其中每个训练样本关联多个候选标签，这些标签包含噪声标签。主要目标是克服噪声干扰，实现训练良好的分类器。鉴于样本特征包含冗余且样本标签包含噪声，这些因素可能在分类器训练过程中引入干扰。因此，我们旨在构建一个优先考虑噪声较少、代表性更高且置信度更高的样本集，以提高模型的有效性。为此，我们提出了一种基于可信样本选择的分类器增强型PML方法，称为PML-CECS。具体而言，本文首先将特征空间和标签空间投影到子空间中，通过共享投影信息增强子空间内的表示一致性。然后对子空间进行正交化，以减少噪声和冗余相关性，从而提高数据的代表性和可靠性。接着，流形结构强化了子空间内特征与标签之间的实例级一致性。同时，利用子空间样本作为新的学习信息进一步提升了分类器的性能。最后，为缓解噪声干扰引起的错误相关性，引入并整合了伪标签到模型训练中。广泛的实验验证了该方法的有效性。
Keyword:
Partial multi-label learning
Noisy labels
Feature redundancy
Subset selection
Manifold learning
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Manifold learning with structured subspace for multi-label feature selection.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Multi-label feature selection via latent representation learning and dynamic graph constraintsPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏
查看更多内容