Model Rectification With Simultaneous Incremental Feature and Partial Label Set

Xijia Tang

doi:10.1109/TPAMI.2025.3600033

Model Rectification With Simultaneous Incremental Feature and Partial Label Set

2025-08-19

0

PRE

AI

DOI：10.1109/TPAMI.2025.3600033

原文链接

摘要

En 中文

传统分类问题假设特征和标签是固定的。然而，这一假设在开放环境中容易被违反。例如，网页的指数级增长导致随着关键词的积累，特征空间不断扩展。同时，快速更新使得难以获取网页的准确标签，往往导致包含潜在正确标签的粗糙标注，即部分标签集。在这种情况下，增量特征空间与部分标签集之间的耦合引入了更复杂且真实的挑战，这些挑战值得关注但尚未得到充分探索。在本文中，我们通过引入一种新颖的增量学习方法——同时增量特征与部分标签（SIFPL）来应对这一问题。SIFPL以两阶段方式（包括先前阶段和适应阶段）对动态开放环境中的数据演化进行建模，以处理相关挑战。具体而言，为确保模型在适应过程中的可重用性，我们施加分类器一致性约束以增强当前模型的稳定性。该约束利用先前阶段的历史信息来提升当前模型的泛化能力，为利用新特征进一步优化模型提供可靠基础。关于标签消歧，我们基于最小化分类器损失的原则筛选出错误的候选标签，确保新特征和标签有效支持模型适应增量特征空间，从而进一步优化其性能。此外，我们还对模型的泛化界进行了严谨的理论分析，用以验证模型继承的有效性。在基准和真实数据集上的实验验证了所提方法在大多数情况下比基线方法实现了更优的准确率性能。

Keyword:

Partial label learning

feature incremental learning

model reuse

open and dynamic environment

Model Rectification With Simultaneous Incremental Feature and Partial Label Set

摘要

期刊

机构

引用论文