不精确标签学习：一种统一的学习框架用于处理各种不精确的标签配置

May, 2023

不精确标签学习：一种统一的学习框架用于处理各种不精确的标签配置

Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations

Hao Chen, Ankit Shah, Jindong Wang, Ran Tao, Yidong Wang...

TL;DR本文介绍了不精确标签学习 (ILL) 框架，它是处理各种不精确标签配置的统一方法，利用期望最大化 (EM) 算法进行最大似然估计 (MLE) 的不精确标签信息，并将精确标签视为潜在变量。与以前的多功能方法相比，我们的 ILL 框架考虑了由不精确标签信息强加的所有可能的标签，允许统一的解决方案来处理任何不精确标签。通过全面的实验结果，我们证明了 ILL 可以无缝地适应各种情况，包括部分标签学习、半监督学习、嘈杂标签学习以及这些设置的混合。值得注意的是，我们的简单方法超越了现有的处理不精确标签的技术，标志着第一个在各种不精确标签上具有强大和有效性能的统一框架。我们相信我们的方法有潜力在获取精确标签昂贵和复杂的任务上显著提高机器学习模型的性能。我们希望我们的工作能够启发进一步的研究，并公开发布开源代码库。

Abstract

In this paper, we introduce the imprecise label learning (ILL) framework, a unified approach to handle various imprecise label configurations, which are commonplace challenges in machine learning tasks. ILL lever

imprecise label learning expectation-maximization algorithm maximum likelihood estimation machine learning latent variables

发现论文，激发创造

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

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

不完整多标签学习综述：最新进展与未来趋势调查

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

任意损失和模型的多补充、无标签学习

本文提出了一种名为补充标签学习的弱监督学习框架，能从任意数量的补充标签和无标签样本中进行无偏估计的分类风险，并能使用任意损失函数和模型进行训练，同时通过实验验证了该方法的有效性。

Jan, 2020

使用所有标签：一种分层多标签对比学习框架

本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

Apr, 2022

学习带有噪声标签的两个期望最大化的相互连接

应对深度学习算法中的劳动密集型标注成为一个瓶颈，处理不完美的标签日益受到关注，并成为一个活跃的研究领域。我们解决了学习带有噪声标签的问题，将其形式化为在嘈杂数据中找到结构化流行体的任务。在这个框架中，我们提供了一个合适的目标函数和一个基于两个期望最大化（EM）循环的优化算法。与两个 EM 循环相关的分离网络合作优化目标函数，其中一个模型用于区分干净标签和损坏标签，而另一个模型用于修复损坏的标签。这种方法最终得到了一个非坍塌的学习带噪声标签的飞轮模型。实验结果表明，在多个标准基准测试中，我们的算法在各种类型的标签噪声下取得了最先进的性能，并有显著的优势。

Jan, 2024

使用马尔科夫网络的判别训练进行多实例学习

本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。

Sep, 2013

多实例多标签学习

本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

Aug, 2008

弱监督技术下的多模态视觉概念学习

本文介绍了两种基于多示例学习框架的弱监督技术，即模糊集多示例学习和概率标签多实例学习，旨在利用文本线索自动识别视频概念，同时提供一种提取复杂语义中的弱标签的新方法。作者在 COGNIMUSE 数据库中展示了这些方法在面部和动作识别任务上的较强性能。

Dec, 2017

多标记学习的主动细化：伪标注方法

本文介绍了一种弱监督的多标签学习方法，可以有效地学习到精细的概念，并通过伪标签来训练分类器和引导主动学习策略。实验结果表明，该方法能够精确地恢复缺失的地面真实值，并显著提高了预测性能。

Sep, 2021