Disambiguation-Free Partial Label Learning无歧义部分标记学习

最新推荐文章于 2025-03-22 22:39:32 发布
原创 最新推荐文章于 2025-03-22 22:39:32 发布 · 1.6k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #分类 #机器学习

本文介绍了一种新的部分标签学习策略PL-ECOC，利用纠错输出码(ECOC)技术进行多类分类，解决了传统消歧策略易受假阳性标签影响的问题。通过构建二元分类器并基于损失的解码确定实例的类别标签。

相关工作：PL训练示例传递的监督信息是隐式的，因为地面真实值标签隐藏在候选标签集中。因此，部分标记学习可以看做是一个具有隐含标记信息的弱监督学习框架。它介于监督谱的两端，即显性监督的监督学习和盲目监督的非监督学习。部分标记学习和其他流行的弱监督学习框架相关，如半监督学习，多实例学习和多标记学习。然而，通过部分标签学习处理的弱监督信息的类型不同于那些对应的框架，

半监督学习的任务是从少量标记的示例和大量未标记的示例中学习。对于未标记示例和Pl示例，学习系统都无法访问地面真实标记信息，但有区别。 

半监督学习
未标记示例 地面真实标签假定整个标签空间
PL示例 地面真实标签限制在候选标签集中

 在多实例学习中，需要从标记的示例中学习，每个示例由一包实例表示[3]，[18]。对于多实例示例或PL示例，单个实例和标签之间的实际对应关系是不明确的。

多实例学习
多实例示例 歧义出现在实例包中
PL示例 歧义出现在候选标签集中

 在多标签学习中，任务是从与多个类标签相关联的示例中学习[21]，[39]。对于

最低0.47元/天 解锁文章
Partial Label Learning via Gaussian Processes
的博客
01-12 1227
摘要 偏标记学习（PL）是一种新的弱监督机器学习框架，它解决了每个训练样本与其实际标签的候选集相关联的问题。由于精确标记的数据通常昂贵且难以在实践中获得，PL可以广泛应用于许多实际任务中。然而，由于训练数据的模糊性不可避免地使这种学习框架难以解决，目前只有少数算法可用。本文利用高斯过程模型，提出了一种新的概率核算法。其主要思想是假设一个不可观测的潜在函数，在每个类别标签的特征空间上具有高斯过程。然后定义一个新的似然函数，对训练数据传递的模糊标记信息进行消歧。通过引入聚合函数来逼近似然函数中的max（·）函
General Partial Label Learning via Dual Bipartite Graph Autoencoder
qq_45312141的博客
09-15 415
General Partial Label Learning via Dual Bipartite Graph Autoencoder1、Abstract二级目录三级目录 1、Abstract 本文创新点 1、将PLL（Partial Label Learning）PLL（Partial\ Label\ Learning）PLL（Partial Label Learning）扩充到GPLL（General Partial Label Le
《Partial-label learning with a guided Prototypical classifier》23年CVPR 文献速读
最新发布
qq_52810166的博客
03-22 1161
PaPi框架通过改进表示学习和标签去歧义的策略（去除了对比学习模块），在部分标签学习任务中取得了显著的性能提升。它在多种数据集和歧义水平下均表现出色，尤其是在面对高歧义和实例依赖歧义时。此外，PaPi还展示了其在学习有效表示和原型分类器方面的优势。未来的工作可以进一步探索PaPi在其他领域（如自然语言处理或语音识别）中的应用，或者研究如何进一步优化PaPi以处理更复杂的数据分布和标注噪声。自教学能够有效地利用未标注数据，逐步改进模型的预测能力，并具有较强的适应性。
论文翻译 —— Disambiguation-Free Partial Label Learning 非消歧偏标记学习（PL-ECOC）
佚失的诗篇
04-19 1255
标题：Disambiguation-Free Partial Label Learning 文章链接：http://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14210 提出方法：PL-ECOC 领域：弱监督学习 - 偏标记学习 注：方括号为原文中参考文献引用，具体引用文章请下载原文查看 文章目录非消岐偏标记学习1. 引言2. 相关工作3. PL-ECOC方法3.1 多分类器归纳分解为二分类器3.2 使用ECOC进行偏标签学习4. 实验4.1 实验计划.
偏标记（partial）学习
weixin_40680322的博客
12-25 2555
别名：模糊标记学习，超集标记学习。 定义：每一个事例可能对应多个标记（侯选标记）。其中有且只有一个标记是正式的。 举例 油画风格：不同人有不同看法，但只有一个正确。 核心策略：消歧。 基本策略：对某一个样本的真实标记做某种形式的估计。 最终目标：学习一个多类分类器。 东南大学张敏灵教授：偏标记学习的研究 ...
论文笔记 AAAI2020 Multi-View Partial Multi-label Learning with Graph-based Disambiguation
屏幕里的日与夜
08-06 1327
论文笔记 论文阅读背景介绍提出的方法Candidate Labels DisambiguationDisambiguation-Guided Model Induction实验 最近看到了这篇文章，觉得可以拿来参考，先做个阅读笔记记录一下。 论文阅读 先附上论文地址 背景介绍 这篇文章研究的问题是在多视图多标签学习（MVML）学习中标签不可信的问题。 在常规的MVML研究中，通常假定针对每个训练实例都已对所有相关标签进行了精确注释。 但是，在许多现实世界的场景中，通常很难获得精确的注释，而且成本很高。所以文
论文阅读“PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING”（ICLR2022）
qq_43497436的博客
04-16 4629
论文标题 PICO: CONTRASTIVE LABEL DISAMBIGUATION FORPARTIAL LABEL LEARNING 论文作者、链接 作者：Wang, Haobo and Xiao, Ruixuan and Li, Yixuan and Feng, Lei and Niu, Gang and Chen, Gang and Zhao, Junbo 链接：https://arxiv.org/abs/2201.08984 摘要翻译 bla 相关工作 bla 论文方法 bl
PiCO调BUG记录：偏标记学习-PiCO: Contrastive Label Disambiguation for Partial Label Learning
yscript的博客
10-16 332
PiCO调BUG记录，文章为偏标记学习领域(PiCO: Contrastive Label Disambiguation for Partial Label Learning)
2020--AAAI “General Partial Label Learning via Dual Bipartite Graph Autoencoder” 论文 阅读笔记
qq_25174285的博客
08-25 1165
2020--AAAI “General Partial Label Learning via Dual Bipartite Graph Autoencoder”背景方法问题定义构建双重二分图构建图自动编码器实验总结 作者提出了一个实际但有挑战性的问题: 通用部分标签学习(General Partial Label Learning，GPLL)。相比传统的部分标签学习(Partial Label Learning，PLL)问题, GPLL将监督假设从实例级别（标签集部分标记一个实例）放到了组级别: 1)标签集
HTML的部分标签学习
LY_yhq
02-19 433
HTML的学习HTMLHTML的概念和三大基石和标准文档流HTML的head标签学习示例源码：HTML的body标签HTML的body标签(文本标签)代码示例：HTML的body标签(列表标签)代码示例：HTML的图片标签代码示例：HTML的超链接标签代码示例：HTML的表格标签代码示例：HTML的内嵌标签代码示例：HTML的框架标签代码实现：HTML的form标签代码示例： HTML HTML的...
multi-label 和 partial label learning，以及partial multi-label论文笔记.zip
06-01
读的一些关于multi-label 和 partial label learning，以及partial multi-label等的笔记
偏标记学习（大杂烩，有点乱）
qq_40819395的博客
02-18 4749
别名：模糊标记学习，超集标记学习。 传统监督学习里面有一个重要概念就是标记，通常叫做监督信息。”而监督信息的质量很大程度上决定着监督学习问题的成败。 强监督 强监督假设能充分标记信息，从而在训练集当中获得充分的标记训练样本 强监督假设通常假设这个标记信息是明确（无歧义），且每个标记对象是唯一的。 弱监督 半监督 多标记 多示例 偏标记 偏标记学习例子 假设现在有一幅油画，请大家判断一下是什幺风格。不同人给出不同答案，这样便可以获得关于这个对象多个侯选标记，但显然在多个标记当中只有一个标记是正确的。
html部分标签学习
zyzn1425077119的博客
07-28 525
一： 换行：有2个，一个为, 一个为        其中，直接换行，而p标签，会前面有一个空行，后面还有一个空行， 二：ul与ol     ul是无序列表，ul的type属性有：disc—实心圆(默认）、circle—空心圆、square—实心方块      ●这是第一个列表      ●这是第二个列表      ●这是第三个列表      ●这是第四个列表
#Paper Reading# Towards Enabling Binary Decomposition for Partial Label Learning
John159151的专栏
12-08 845
论文题目：Towards Enabling Binary Decomposition for Partial Label Learning 论文地址：http://cse.seu.edu.cn/people/zhangml/files/IJCAI'18.pdf 论文发表于：IJCAI 2018（CCF A类会议） 论文大体内容： 本文主要采用两层分类器来解决偏标记学习问题，通过one-vs-on...
Maximum margin partial label learning
的博客
01-16 569
摘要:部分标签学习的目的是从训练样本中学习，每个训练样本都有一组标签，其中只有一个标签对训练样本有效。从部分标签示例学习的基本策略是消歧，即通过尝试从候选标签集中恢复基本真理标签信息。作为一种流行的机器学习模式，最大裕度技术被用来解决部分标签学习问题。现有的尝试通过优化候选标签和非候选标签的最大建模输出之间的间距来执行消歧。尽管如此，该公式忽略了考虑“地面真相”标签和其他候选标签之间的差距。本文提出了一种新的局部标签学习的最大裕度公式，它直接优化了groundtruth标签和所有其他标签之间的裕度。具体地说
无消歧的偏标记学习（2017）
fan2312的博客
08-24 1315
原文链接：http://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14210 研究动机 基于消歧的策略易于被和真值标签在样本候选标签集中同时出现的假阳性标签误导而性能下降，候选集越大，性能下降越多 多分类器分解为二分类器 多分类器集成的最流行机制是使用一对余或一对一分解将学习任务分解 一对余分解：学习任务分解为多个二分类器。对每个二分类器：一...
部分监督学习
铭霏的记事本
09-26 1192
部分监督学习（Partially Supervised Learning）： （1）已标注和无标注数据中进行学习（Learning from Labeled and Unlabeled Examples） 【LU学习（LU Learning）】 【每个类别的数据包含少量的已标注数据和大量的无标注数据】 （2）正例和无标注数据中学习（Learning from Positive and Unlab...
PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING
没有期待的日子反而会顺顺利利
05-22 1265
部分标签学习(PLL)是一个重要的问题，它允许每个训练示例使用一个粗略的候选集进行标记，这非常适合许多具有标签模糊性的真实数据标注场景。尽管有这样的承诺，PLL的性能往往落后于监督的同类产品。 在这项工作中，我们通过在一个连贯的框架中解决PLL表征学习和标签消歧中的两个关键研究挑战来弥合这一差距。具体来说，我们提出的框架PiCO包括一个对比学习模块和一个新的基于类原型的标签消歧算法。 PiCO为来...
2021-IEEE Trans-通过可信的标签引出进行部分多标签学习-（PATICLE）Partial Multi-Label Learning via Credible文献翻译
qq_42014059的博客
04-03 2254
摘要 部分多标签学习（PML）处理每个训练示例与一组过完备的候选标签相关联的问题，其中只有一些候选标签是有效的。 PML 的任务自然出现在监督不准确的学习场景中，其目标是诱导一个多标签预测器，该预测器可以为看不见的实例分配一组适当的标签。 PML训练过程容易被隐藏在候选标签集中的误报标签误导，这是部分多标签学习的主要建模难点。在本文中，提出了一种新颖的两阶段 PML 方法，该方法通过从候选标签集中引出可信标签来进行模型归纳。在第一阶段，通过迭代标签传播估计每个 PML 训练示例的候选标签的标签置信...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值