Exploring Partial Multi-Label Learning via Integrating Semantic Co-Occurrence Knowledge

Xin Wu

doi:10.1109/tmm.2026.3705189

Exploring Partial Multi-Label Learning via Integrating Semantic Co-Occurrence Knowledge

2026-06-18

0

PRE

AI

DOI：10.1109/tmm.2026.3705189

原文链接

原文求助

摘要

En 中文

部分多标签学习旨在从不完全标注的数据中提取知识，这些数据包括已知正确标签、已知错误标签和未知标签。核心挑战在于准确识别标签与实例之间的模糊关系。本文强调，匹配标签与实例之间的共现模式是解决这一挑战的关键。为此，我们提出了语义共现洞察网络（SCINet），一种新颖且实用的部分多标签学习框架。具体而言，SCINet引入了一个双向主导提示模块，利用现成的多模态模型捕捉文本-图像相关性并增强语义对齐。为强化实例-标签互依赖性，我们开发了一个跨模态融合模块，联合建模标签间相关性、实例间关系以及实例-标签分配的共现模式。此外，我们提出了内在语义增强策略，通过应用多样化的图像变换来增强模型对内在数据语义的理解，从而促进标签置信度与样本难度之间的协同关系。在四个广泛使用的基准数据集上的大量实验表明，SCINet超越了现有最优方法。

Keyword:

Multi-modal representation

partial multi-label learning

semantic co-occurrence

Exploring Partial Multi-Label Learning via Integrating Semantic Co-Occurrence Knowledge

摘要

期刊

机构

引用论文