Delving Into Generalizable Label Distribution Learning

doi:10.1109/TPAMI.2025.3581552

Delving Into Generalizable Label Distribution Learning

0

PRE

AI

DOI：10.1109/TPAMI.2025.3581552

原文链接

原文求助

摘要

En 中文

由于在处理标签模糊性方面具有卓越能力，标签分布学习（LDL）作为一种新兴的机器学习范式，近年来受到了广泛的研究。尽管在各类任务中取得了显著进展，但现有LDL方法的一个局限性是它们均基于训练数据和测试数据是独立同分布（i.i.d.）的假设。因此，当在分布外场景中进行测试时，它们会遭受明显的性能下降，并且不再适用，这严重限制了LDL在许多任务中的应用。在本文中，我们识别并研究了可泛化的标签分布学习（Generalizable Label Distribution Learning, GLDL）问题。为解决这一挑战性问题，我们深入探讨了GLDL的特性，并发现标签标注随领域变化而变化是现有方法性能下降的根本原因。受此观察启发，我们探索了领域不变的特征-标签相关性信息，以减少标签标注随领域变化的影响，并提出了两种实用方法。大量实验验证了所提出方法的优势性能。我们的工作填补了GLDL实际问题的基准和技术空白。

Keyword:

Label distribution learning

domain generalization

generalizable label distribution learning

label correlation

Delving Into Generalizable Label Distribution Learning

摘要

期刊

机构

引用论文