.png){kind=icon}
返回
Correlative Fusion-Based Multi-Instance Partial Multi-Label Learning
.png){kind=icon}
OA
AI
DOI：10.1109/tmm.2026.3668556.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实例部分多标签学习（MIPML）解决了这样一种具有挑战性的场景：每个训练样本包含一个与候选标签集相关联的多个实例的包，该候选标签集同时包含几个真实标签和噪声标签。当前的MIPML方法通常忽略了标签和实例在实例和包级别上的重要相关性，这限制了它们在消歧和预测精度方面的有效性。为了解决这些局限性，我们提出了相关性融合MIPML（CF-MIPML），这是一个整合了标签置信度生成（LCG）和候选标签消歧（CLD）的创新框架。LCG模块通过捕捉包内和跨包的相关结构，系统地构建了一个稳健的标签置信度矩阵，从而为精确的标签消歧提供了基础。CLD模块利用全面的置信度矩阵来进一步提高标签预测，采用优化的迭代融合损失函数，该函数结合了部分损失和交互损失。这种联合损失策略能够在训练过程中持续优化标签置信度，从而提高预测的鲁棒性和准确性。在多个基准和真实数据集上的全面实验结果表明，CF-MIPML优于现有的最先进方法，增强了处理复杂标签歧义的能力，并提高了实际MIPML场景中模型的整体泛化能力。
Keyword:
Multi-instance learning
partial multi-label learning
correlation fusion
noisy labels
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W
机构
引用论文
Cost-Efficient Multi-Instance Multi-Label Active Learning Via Correlation of Features成本高效的多实例多标签主动学习：基于特征相关性
.png){kind=icon}
PREAI
分享收藏IIB-MIL: Integrated Instance-Level and Bag-Level Multiple Instances Learning with Label Disambiguation for Pathological Image AnalysisIIB-MIL：用于病理图像分析的集成实例级和袋级多实例学习与标签消歧
PREAI
分享收藏
分享收藏Imbalanced multi-instance multi-label learning via tensor product-based semantic fusion基于张量积语义融合的不平衡多示例多标签学习
PREAI
分享收藏
查看更多内容