.png){kind=icon}
返回
Multi-Label Learning With Multiple Complementary Labels
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3574183.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在**multi-labeled complementary label learning**（MLCLL）中，**complementary label**（CL）表示一个实例的无关标签。利用CL替代相关标签作为注释，简化了**multi-label learning**（MLL）任务中的注释过程，突显了MLCLL问题的实用性。然而，现有的MLCLL方法主要关注实例仅关联单个CL的场景。这限制了它们在注释者提供多个CL每实例情况下的适用性。为解决此局限性，我们提出了一种新型范式，称为带有多个互补标签的多标签学习（ML-MCL），允许每个实例同时关联多个CL。通过分析多个CL的生成过程，我们构建了相关标签与CL之间的关系。这有助于推导出一种定制化的风险一致估计器，以解决具有多个CL的MLCLL问题。理论上，我们为此估计器建立了估计误差界，其收敛率为$\mathcal{O}(1/\sqrt{n})$。此外，我们观察到，在使用某些损失函数进行优化时，推导出的估计器可能产生无界梯度，这可能导致优化不稳定。为缓解此问题，我们通过**confidence truncation**损失增强了估计器，稳定了优化过程。实验结果表明，我们的方法有效，在涉及多个CL的MLCLL任务中表现出改进的学习稳定性和性能。
Keyword:
Complementary label learning
multi-label learning
risk-consistent estimator
estimation error bound
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
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