基于加权损失的部分标签学习

ICMLJun, 2021

Leveraged Weighted Loss for Partial Label Learning

Hongwei Wen, Jingyi Cui, Hanyuan Hang, Jiabin Liu, Yisen Wang...

TL;DR本文通过提出一种 Leveraged Weighted 损失函数，并推导出该函数的风险一致性，并在实验中得到验证，证明了其在面对部分标签学习中的高效性，从而提供了关于 Leverage 参数选择的指导。

Abstract

As an important branch of weakly supervised learning, partial label learning deals with data where each instance is assigned with a set of candidate labels, whereas only one of them is true. Despite many methodology studies on learning from partial labels, there still lacks theoretical

partial label learning risk consistency leveraged weighted loss leverage parameter benchmark datasets

发现论文，激发创造

部分标签回归

本文提出了首个对部分标签回归进行研究的简单基线和改进型候选标签鉴定方法，并证明了这两种方法的模型一致性和收敛分析，在实验中验证了其有效性。

Jun, 2023

部分标签学习中真实标签的逐步识别

本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

Feb, 2020

权值与保真度加权学习

本文提出了一种基于半监督的 “保真度加权学习” 方法，通过利用高质量数据的后验概率调节参数的更新，使用弱标记数据对深度神经网络进行训练，同时提高任务相关数据表示的可靠性。在信息检索和自然语言处理领域中，我们的方法优于现有的半监督学习方法，表明该方法能更好地利用强弱标签数据，提高模型性能。

Nov, 2017

通过 Infimum Loss 实现部分标注的结构化预测

本文提出了一种基于结构化预测和概念的下确界损失的统一框架，以处理一系列学习问题和损失函数中的部分标注，其中监督以包含实际标签的标签集的形式呈现，并且明确的算法可以轻松实现，并且证明了统计一致性和学习速率。实验证实所提出的方法优于常用的基准方法。

Mar, 2020

自我引导下的部分标签学习

本文提出了一种新的方法，采用自我训练的方式来处理部分标签数据，其中采用了基于最大无穷范数的伪标签技术来自动实现基准标签的分类，并通过使用简单的二次规划方法进行拟合优化。通过在自制和真实世界数据集上的测试，证明了所提出的方法比现有的部分标签学习方法更加有效。

Feb, 2019

基于部分标签比例的全切片图像分割的学习

本文通过利用不完全的标签比例解决了整个切片图像中肿瘤亚型的分割问题，提出了一个高效的算法将其分解为两个弱监督学习子问题：多实例学习和从标签比例中学习，从而有效地进行优化。该算法在两个整个切片图像数据集上经过实验证明了其有效性。

May, 2024

基于实例依赖的部分标签学习

本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

Oct, 2021

多个噪声部分标注者中学习

本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

Jun, 2021

标签损失：通过直接损失构建进行弱监督学习

本文提出一种基于 (heuristics) 启发式规则构造损失函数 (loss functions) 的弱监督学习 (weak supervision) 方法，命名为 'Losses over Labels (LoL)'，可以更多地利用启发式规则中专家知识和判断依据进行训练，有效提高文本和图像分类任务中的性能。

Dec, 2022

不确定性感知的部分标签学习

在真实应用中经常遇到标签模糊的数据，其中不同的标注者会给出冲突的类别标签。部分标签学习允许在这种弱监督的环境下训练分类器。虽然最先进的方法已经具有良好的预测性能，但它们经常受到错误校准的不确定性估计的影响。然而，拥有良好校准的不确定性估计在医学和自动驾驶等关键领域中尤为重要。本文中，我们提出了一种基于邻近 - 邻居的部分标签学习算法，利用了 Dempster-Shafer 理论。对人工和真实数据集的大量实验证明，所提出的方法提供了良好校准的不确定性估计，并取得了有竞争力的预测性能。此外，我们证明了我们的算法是风险一致的。

Feb, 2024