Mar, 2018

使用混合依赖图进行缺失标签的多标签学习

PDF
TL;DR本文研究了多标签学习中的标签缺失问题，针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景，并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。
multi-label learningmissing labelsdependency graphlabel hierarchyconvex transductive formulations
发现论文，激发创造
  • 基于图形的标签增强多示例多标签学习

    本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

    Apr, 2023

  • 基于图形消歧的深度部分多标签学习

    本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题，提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。

    May, 2023

  • 具有不完整标签分配的大规模多标签学习

    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

  • 通过结构化语义相关性改进缺失标签的多标签学习

    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

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 多标记学习缺失标记的简洁且健壮的损失设计

    该论文提出两种简单且有效的基于强大损失设计的方法，通过减少假负例的影响及使用基于缺失标签的最大似然标准来改进多标签学习的性能，从而在大量多标签图像分类数据集上实现了新的最先进的损失函数。

    Dec, 2021

  • 缺失标签的大规模多标签学习

    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

  • 多层标签修正通过提取相近模式用于半监督语义分割

    该研究提出了一种名为 Multi-Level Label Correction (MLLC) 的算法，利用图神经网络捕捉语义级别图和类别级别图中的结构关系来修正错误的伪标签，从而显著提高监督基线，并在 Cityscapes 和 PASCAL VOC 2012 数据集上超越了现有的方法。

    Apr, 2024

  • 基于大型语言模型的无标签图节点分类 (LLMS)

    该文介绍了一种利用大型语言模型和图神经网络相结合的无标签节点分类方法 LLM-GNN，在小部分节点上利用语言模型进行注释，然后使用图神经网络对其余大部分节点进行预测，通过开发注释质量启发式和利用语言模型的置信度得分来选择节点，从而提高图神经网络的性能，实验证明了 LLM-GNN 的有效性。

    Oct, 2023

  • 基于图匹配的多标签图像分类（GM-MLIC）

    本文提出一种基于图匹配的深度学习框架 GM-MLIC，将多标记图像分类问题作为实例 - 标签匹配选择问题来进行建模，其中图匹配方案被引入以挖掘实例和标签关系，并在构建的作业图上聚合和更新所有节点和边缘状态，最终得出每个实例 - 标签对的预测分数并用加权交叉熵损失优化。大量实验表明我们的方法的优越性。

    Apr, 2021