具有不完整标签分配的大规模多标签学习
研究了如何使用部分标签对神经网络进行训练,解决多标签分类中的标签不平衡问题,并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验,结果显示该方法优于现有的一些最先进方法,甚至在部分标注情况下超越了使用完整标签训练的方法。
Jul, 2023
多标签学习中的不完整多标签学习是一个突出的研究议题,本文回顾了不完整多标签学习的起源,分析了其面临的挑战,并从数据和算法的角度对不完整多标签学习进行了分类。此外,文中还提及了不完整多标签学习在不同领域的应用,并突出了几个潜在的未来趋势和未被探索的技术,为不完整多标签学习领域的新研究方向提供了新的启示。
Jun, 2024
研究一种新的多标签图像分类问题,针对训练数据需要手动标注出所有适用标签的挑战,探索使用缺失标签进行学习的特殊情况,并尝试通过线性分类器和端到端微调深度网络提出新的损失函数来解决这个问题。结果表明,在一些情况下,使用更少的标签进行训练可以接近全部标签训练的性能水平。
Jun, 2021
本文研究多标记问题的通用经验风险最小化框架,提出了一种简单的框架,能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构,基于该框架设计了有效算法,进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外,对于低秩促进的迹 - 范数正则化,我们的风险界更紧,表现出更好的泛化性能。最后,在各种基准数据集上进行实验,证明了本方法的优越性以及其可扩展性。
Jul, 2013
我们提出了基于强化学习的 RLAC 框架,通过结合强化学习的探索能力和监督学习的开发能力,解决了多标签正负样本学习问题,并在多个任务中进行实验证明了我们框架的泛化和有效性。
Jun, 2024
该研究提出了一种使用部分标签进行多标签分类的方法,其中新的分类损失利用了每个示例已知标签的比例,并通过课程学习的策略预测遗漏标签。通过实验发现,该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集上取得了良好表现。
Feb, 2019
本文研究如何在多任务学习中应对数据的确实特征,并通过插件协方差矩阵估计器结合稀疏和图正则化的多任务学习方法,提高数据的泛化性能,并以阿尔茨海默病的数据为例阐述其有效性。
Jul, 2018
本文探讨多任务学习中训练数据标注不完整的情况,并提出了基于实例的信息传递方法,针对固定标注任务和主动选择标注任务两种情况提出了算法,并通过合成数据和真实数据的实验证明了算法的有效性。
Feb, 2016
研究 Lifelong Multi-Label 分类,提出了一种面向序列多标签分类数据流的在线类增量分类器,使用增强图卷积网络和内置增强相关矩阵对序列部分标签任务进行训练,结果表明该方法对于 LML 分类和减少遗忘的有效性。
Jul, 2022
综述了深度学习在多标签学习中的最新进展,包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构,并提出了对现有方法的比较分析,以提供有洞察力的观察和促进该领域未来的研究方向。
Jan, 2024