的博客

摘要在部分标签学习中，每个训练样本都与一组候选标签相关联，其中只有一个是有效的。从部分标签示例中学习的直观策略是平等对待所有候选标签，并通过平均其建模输出进行预测。尽管如此，该策略可能会遇到以下问题：来自有效标签的建模输出被来自假阳性标签的建模输出淹没。本文通过对候选标签集进行直接消歧，提出了一种基于实例的方法IPAL。简单地说，IPAL尝试通过迭代标签传播过程来识别每个部分标签示例的有效标签，然后基于其最近邻的最小错误重建对不可见实例进行分类。大量实验表明，IPAL与现有的基于实例的以及其他最先进的部分标

基于可信标签启发的部分多标签学习摘要部分多标签学习（PML）研究的是每个训练样本都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，该预测器可以为不可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假阳性标签所误导，这是部分多标签学习的主要建模难点。本文提出了一种新的两阶段PML方法，该方法从模型归纳的候选标签集中引出可信标签。在第一阶段中，通过迭代标签传播估计每个PML训练示例的候选标签的标

大幅面局部贴标机摘要-部分标签学习（PLL）是一个多类弱监督学习问题，其中每个训练实例与一组候选标签关联，但只有一个标签是基本真理。PLL的主要挑战是如何处理标签歧义。在各种消歧技术中，基于大幅度（LM）的算法由于其强大的识别性能而备受关注。然而，现有的基于LM的算法要么在构造边缘时忽略了一些潜在的候选标签，要么引入了类容量的辅助估计，这通常是不准确的。因此，它们的泛化性能恶化。为了解决上述缺点，在乐观超集丢失的激励下，我们通过将多类支持向量机（SVM）扩展到PLL，提出了一种LM部分标记机（LM-PL

基于双二部图自动编码器的一般部分标签学习摘要：我们提出了一个实际而又具有挑战性的问题：广义部分标记学习（GPLL）。与传统的部分标签学习（PLL）问题相比，GPLL将监督假设从实例级（标签集部分标记实例）放宽到组级：1）标签集部分标记一组实例，其中组内实例标签链接注释缺失，和2）允许跨组链接-组中的实例可能部分链接到另一个组中的标签集。这种模棱两可的组级监控在现实场景中更为实用，因为不再需要实例级的附加注释，例如，视频中的人脸命名，其中组由帧中的人脸组成，并由相应标题中设置的名称进行标记。在本文中，我们

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

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

偏标记学习是一种新的弱监督机器学习框架解决的问题：解决每个训练样本与其实际标签的候选集相关联的问题。现存问题：训练数据的模糊性解决办法：利用高斯过程模型，提出了一种新的概率核算法。主要思想：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函数，不仅定义了一个与maxloss函数等价的似然函数，并且证明了他比其他损失函数更紧，而且给出了一个可微凸目标函数。困难：在PL

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.

从式（2.9）到式（2.10）的推导