Consensus-driven tensor learning for multi-source multi-instance multi-label classification

Y.L. Chen

doi:10.1016/j.eswa.2026.132954

Consensus-driven tensor learning for multi-source multi-instance multi-label classification

2026-09-29

1

PRE

AI

DOI：10.1016/j.eswa.2026.132954

原文链接

原文求助

摘要

En 中文

多源多实例多标签学习（MSMIML）旨在从异构来源的粗粒度袋级监督下预测细粒度实例级标签。然而，由于跨源特征异质性和根本的袋-实例监督不匹配，将粗粒度袋级标注传播为可靠的实例级语义本质上是困难的。现有方法局限于成对相关性建模，并将融合与分类解耦，缺乏基于张量的表示来捕获复杂的实例-标签-来源依赖关系。为解决这些限制，我们提出了CTM3L，一种基于共识的张量学习框架用于MSMIML。具体而言，提出了一种低秩张量基的袋-实例语义解耦模块，用于将粗粒度袋级标签传播为潜在实例级语义。每个来源的异构特征使用宽学习系统编码，并将生成的表示结构化为多源特征张量。张量三模投影（TMP）将此张量映射到潜在实例级语义空间，从而通过高阶实例-标签-来源交互实现异构来源的联合融合和实例级标签预测。在TMP中，标签模投影充当张量导向的分类器，而来源模投影估计来源贡献以驱动自适应标签融合机制，将来源特定的预测整合为共识实例级标签。这些共识标签反过来通过跨源一致性约束正则化实例语义学习，形成自洽的优化循环。为CTM3L设计了具有闭式更新的高效交替优化算法。实验表明，在袋级和实例级上，其平均精度相比强基线提高了8.0-10.1个百分点。

Keyword:

Multi-source multi-instance multi-label learning

Multi-source information fusion

Tensor modeling

Label consensus

Weak supervision

Consensus-driven tensor learning for multi-source multi-instance multi-label classification

摘要

期刊

机构

引用论文