该论文提出了一种新的多标签学习方法,通过在标签空间中的稀疏重构来学习标签相关性,并将其无缝地整合到模型训练中,以明确考虑标签的相关预测。实验结果表明,该方法的表现优于现有的最先进技术。
Feb, 2019
本文研究了利用结构化语义相关性来解决多标签学习中的缺失标签问题,通过构建语义图,将语义相关性加入多标签学习公式中,提出的方法在四个基准数据集上优于现有的多标签学习方法。
Aug, 2016
论文研究了多标签情感识别模型中的标签相关性,并提出了两种建模方法和通过情感表示的成对约束作为正则化项,证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。
Oct, 2022
该研究构建了一个统一框架,以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习,包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息,以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明,该框架优于最先进的方法。
Nov, 2022
提出了一种基于自适应协同相关学习的半监督多标签特征选择方法(Access-MFS),用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题,并通过引入广义回归模型和扩展的不相关约束,在标记数据中选择具有区分性但无关的特征,并同时保持预测和实际标签之间的一致性,从而适应性地学习样本相似性图和标签相似性图,以提高特征选择性能。大量实验结果表明,所提出的 Access-MFS 方法优于其他最先进方法。
Jun, 2024
本文研究了多标签学习的不完整标签分配问题,提出了一种名为 MPU 的方法,该方法基于正数和未标记随机梯度下降和堆叠模型,可以同时有效且高效地考虑丢失的标签和标签之间的关联性,从而更好地解决了大规模多标签学习问题。
Jul, 2014
通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习,其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示,以及两个辅助标签共现预测任务来增强标签相关性学习,实验结果表明,我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。
Jun, 2021
本论文致力于通过建立一种简洁而有效的模型来攻克学习来自多视角多标签数据的三大挑战:缺失标签、不完整视角和非对齐视角。我们利用多视角的一致性以及多个标签之间的全局和局部结构来缓解可用标签的不足。我们的实验结果表明,在五个真实数据集上,即使在没有视角对齐的情况下,我们的方法在性能上也显着优于最先进的视角对齐方法。
May, 2020
引入辅助的多标签学习过程,恰当地利用辅助多标签学习中的低秩标签相关性,提升了标签分布学习方法的性能。
Aug, 2023
本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR),提高了在组织病理学图像中检测前列腺癌的效果,并通过可视化和分析提供了洞察力,有望在其他研究领域中应用该模型。
Oct, 2023