Dual feature-driven approach for partial multi-label learning

Yanqiang Tu

doi:10.1016/j.patcog.2026.114433

Dual feature-driven approach for partial multi-label learning

2026-07-01

0

PRE

AI

DOI：10.1016/j.patcog.2026.114433

原文链接

原文求助

摘要

En 中文

部分多标签学习（PML）解决了实例被标注多个候选标签且仅部分标签有效的问题。现有PML方法主要关注通过标签相关性或标签传播技术进行标签消歧，却忽略了模糊特征可能误导模型训练的关键影响。本文首先通过Rademacher复杂度建立了泛化误差界，从理论上证明模糊特征线性增加模型复杂度。受此启发，我们提出了双特征驱动的PML方法（DF-PML），引入两项关键创新：（1）基于低秩和稀疏假设结合矩阵分解技术的噪声特征识别机制，旨在消除噪声特征的干扰，这对于模糊特征的识别至关重要，因为噪声特征的存在会掩盖模糊特征的识别；（2）模糊特征识别机制，采用浅层网络估计每个特征的模糊概率，并融合标签相关性和邻域粒度计算标签置信度。最终，模糊特征的影响得到缓解，模型性能得到提升。实验结果表明，所提出的DF-PML方法在整体性能上优于现有方法。

Keyword:

Multi-label learning

Partial multi-label learning

Label confidence

Disambiguation

Matrix decomposition

Dual feature-driven approach for partial multi-label learning

摘要

期刊

机构

引用论文