.png){kind=icon}
返回
Partial multi-label learning via label-specific feature corrections
.png){kind=icon}
PRE
AI
DOI：10.1007/s11432-023-4230-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分多标签学习（PML）允许从语义丰富的对象中学习，即使标注不准确。在该方法中，每个训练样本会被分配一组候选标签，但其中只有部分是有效的。现有方法依赖消歧来解决PML问题，其目标是在预测模型构建之前，通过恢复真实标签信息来纠正噪声候选标签。然而，这种主流策略可能并非最优，因为它通常需要额外的假设，而这些假设在实际场景中往往无法完全满足。与标签纠正不同，我们研究了另一种解决PML问题的策略，即通过标签特定的方式纠正实例特征，以消除PML数据中的潜在歧义。为此，提出了一种简单而有效的方法，命名为Pase，即通过标签特定特征纠正的部分多标签学习。在元学习框架下，Pase学习执行标签特定的特征纠正，从而消除每个类别标签特有的潜在歧义，并利用提供的候选标签，在这些纠正后的实例特征上构建所需的预测模型。在广泛的合成和真实世界数据集上的全面实验验证了所提出方法的有效性。
Keyword:
machine learning
multi-label learning
partial multi-label learning
label-specific features
feature correction
期刊
IF:
7.6
论文数:
4.9K
被引数:
8.9K
机构
引用论文
.png){kind=icon}
Learning Label-Specific Features and Class-Dependent Labels for Multi-Label Classification用于多标签分类的学习标签特定特征和类别相关标签
PREAI
分享收藏Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations视觉基因组: 使用众包密集图像注释连接语言和视觉
OAAI
OAAI分享收藏
Learning from group supervision: the impact of supervision deficiency on multi-label learning小组监督学习: 监督缺失对多标签学习的影响
PREAI
分享收藏
查看更多内容