Jun, 2023

多标签分类只需要正标签

PDF
TL;DR本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。大量的实验证明了 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。
multi-label classificationnoisy labelspositive and unlabeled learninglabel distributionadaptive re-balance factor
发现论文，激发创造
  • 正界未标示对比学习

    这篇论文研究并扩展了自监督预训练在受限标注数据上的应用，提出了一种新颖的 PU 学习目标正无标噪声对比估计（puNCE）以通过有限监督获得表示，实验证明 puNCE 在受限监督下持续优于现有无监督和监督对比基线。

    Jun, 2022

  • 不完美环境下的学习：长尾分布和部分标签的多标签分类

    本文介绍了一种新颖的任务，即 Partial labeling and Long-Tailed Multi-Label Classification（PLT-MLC），并提出了一种端到端的学习框架 CO-MIC-Balance（Correction，Modification，Balance），用于同时解决长尾分布和部分标签的多标签分类问题，该框架通过比较预测置信度和类特定阈值来修正丢失的标签，使用多聚焦的修饰符损失来同时解决头部尾部不平衡和正负不平衡，并使用平衡分类器来保持所有样本的稳定性。实验结果表明，该方法在新创建的 PLT-MLC 数据集上具有更高的有效性和鲁棒性。

    Apr, 2023

  • 从单一正样本实现多标签学习

    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

  • PLMCL: 多标签图像分类的部分标签动量课程学习

    本研究提出了一个新的部分标签学习的设置，其中只标注了训练图像的子集，每个图像只有一个正标签，其余训练图像保持未标注状态。通过使用端到端的深度神经网络 PLMCL，可以同时学习产生对部分标注和未标注的训练图像都具有信心的伪标签。通过考虑伪标签更新的速度，使用新的基于动量的法则来更新软伪标签，以帮助防止在早期训练阶段陷入低信心的局部最小值。此外，还提供了适应不同标签的逐渐递增学习的自适应 “自信度调度器”。实验结果表明，我们的 PLMCL 方法在三个不同数据集上的多标签分类中，表现比许多现有的基于多标签分类方法更好。

    Aug, 2022

  • 基于噪声负样本自校正的鲁棒正无标记学习

    基于正例和未标记数据的学习是一种被称为正例与未标记学习的方法，在文献中已经引起了广泛关注。我们提出了一种新的鲁棒性正例与未标记学习方法，通过训练策略改善标签不确定性的影响并提高学习的准确性和稳定性。该方法利用一种新颖的 “困难度” 度量来区分可能为负例的未标记样本与具有较大标签噪声的未标记样本，并通过迭代式训练策略在训练过程中细化选择负例样本，从而在训练的早期阶段包含更多 “易样本”。

    Aug, 2023

  • 单正样本多标签学习中标签偏差的理解

    该研究介绍了单正多标签学习中标签偏差的研究方法，并提供了新的经验证据，以便使用仅一个正标签的图像进行有效的多标签分类。

    May, 2023

  • 正例偏移情况下的正类和无标注数据学习

    本文介绍了使用正样本和未标注样本进行 PU 学习的方法，即使正样本在数据分布中不具有代表性，也可以通过只固定负类分布来解决正偏差问题。通过将负 - 未标注学习与未标注 - 未标注学习相结合或利用递归风险估计方法，可以解决正偏差问题。然后，作者提出一种通用的方法来解决 PU 风险评估的过度配合问题。实验结果表明，无论数据集如何，这两种方法都是有效的。

    Feb, 2020

  • 噪声标签学习的元标签校正

    本文提出了一种基于元学习的标签纠正框架（MLC），旨在解决数据训练集中标签嘈杂或不确定性等问题，通过调整权重甚至直接纠正嘈杂标签来优化训练。在文本分类等任务中验证了该方法的有效性。

    Nov, 2019

  • 使用广义鲁棒损失提升单一正标签多标签分类

    本文研究了单正多标签学习（Single Positive Multi-label Learning - SPML）的问题，提出了基于期望风险最小化的广义损失框架，用于生成软伪标签，并设计了一种能够处理正负样本不平衡同时灵活协调假阳性和假阴性的新型鲁棒损失函数。实验证明，该方法能够显著提高 SPML 性能，在四个基准测试上胜过绝大多数最先进的方法。

    May, 2024

  • 结合监督学习与强化学习用于多标签分类任务中的部分标签

    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