Jun, 2024

不完整多标签学习综述：最新进展与未来趋势调查

PDF
TL;DR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。
multi-label learningincomplete multi-label learningsystematic reviewchallengesfuture trends
发现论文，激发创造
  • 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

  • 多标签学习的深度学习：综合调查

    综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析，以提供有洞察力的观察和促进该领域未来的研究方向。

    Jan, 2024

  • 多标签学习新趋势

    本文针对大数据时代下的多标签学习，总结分析了现有研究以及未来发展方向和应用前景。

    Nov, 2020

  • 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

  • 多标签分类中的增量式生命周期学习

    研究 Lifelong Multi-Label 分类，提出了一种面向序列多标签分类数据流的在线类增量分类器，使用增强图卷积网络和内置增强相关矩阵对序列部分标签任务进行训练，结果表明该方法对于 LML 分类和减少遗忘的有效性。

    Jul, 2022

  • 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

  • 非对齐不完全多视角和缺失多标签学习的简明但有效模型

    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

  • 医疗健康的不完整数据多任务学习

    本文研究如何在多任务学习中应对数据的确实特征，并通过插件协方差矩阵估计器结合稀疏和图正则化的多任务学习方法，提高数据的泛化性能，并以阿尔茨海默病的数据为例阐述其有效性。

    Jul, 2018

  • 面向不平衡的大规模多标签分类与部分标注的研究

    研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。

    Jul, 2023

  • 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