.png){kind=icon}
返回
Partial Label Learning via Mutual Information Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3621307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分标签学习（PLL）是一种弱监督学习范式。其目标是识别与给定样本相关联的候选标签集中对应的真实标签。然而，由于标签存在歧义性，提高真实标签识别的准确性是一个挑战。本文提出了一种创新训练框架PLMR，用于解决PLL问题。鉴于PLL问题的特殊性，其数据富含有效信息但噪声显著。为克服该问题，PLMR引入互信息（MI）理论来挖掘候选标签和数据特征中的潜在信息，以区分正负样本对。这一操作旨在有效利用PLL中的原始数据信息，并减少类别冲突问题。通过这种方式，根据正负对选择策略提高了表示的判别能力。同时，PLMR引入聚类中心以优化后续任务，结合数据增强样本与K-means交叉注意力机制来精炼优化后的聚类中心。这是为了提升聚类中心准确表征类别信息的能力，从而提高聚类的整体质量。此外，通过歧义标记校正机制，基于聚类中心与样本表示之间的关联计算权重，以指导模型训练。实验结果表明，PLMR在多个数据集上展现出优异的分类性能，验证了其有效性和先进性。
Keyword:
Partial label learning
mutual information estimation
cluster centers
representation learning
期刊
IF:
11.1
论文数:
873
被引数:
3.1W
查看更多机构
.png){kind=icon}
