Partial Multi-Label Learning via Structure-Regularized Negative-Label Completion
本文提出了一种实例感知部分负样本补全（Instance-Aware Partial Negative Completion, IPNC）方法，该方法是一个结构正则化框架，通过将多输出预测器与基于特征和分数的图结构相结合，学习有界的软负样本目标，以有效处理部分多标签学习中的模糊候选标签，并在多种数据集上实现了卓越的实证性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人工智能领域，教计算机识别复杂场景通常是一个关于标记的问题。当机器观察一张海滩照片时，它需要学习到这张图像包含“海洋”、“天空”和“船”。然而，用于教导这些机器的数据很少是完美的。有时，负责标记图像的人员会犯错，添加了并不存在的标签，或者漏掉了应该存在的标签。这给计算机制造了一个问题：它看到了图像的一个可能标签列表，但它不知道其中哪些是真的，哪些是假的。这种计算机必须从可能包含错误的候选列表中进行学习的特定挑战，被称为部分多标签学习（partial multi-label learning）。其目标是构建一个系统，能够观察这个混乱的列表，理清真相，并在不被噪声干扰的情况下做出准确的预测。
广东工业大学和浙江大学的研究人员开发了一种解决这一谜题的新方法，他们称之为实例感知型部分负向补全（Instance-Aware Partial Negative Completion）。该方法并没有试图去猜测哪些候选标签是正确的，而是采取了一条不同的路径：它专注于那些确定错误的信息。在他们的系统中，如果一个标签不在候选列表中，计算机就会确信它不属于该图像。研究人员意识到，这些已知的“负向”标签是一个可靠的起点。他们构建了一个框架，利用这些确认的负向标签来填补模糊标签中的空白。该系统并非将每个候选标签都视为潜在的正向标签，而是学习为每个标签分配一个“负向得分”，以指示该标签与主题无关的可能性。通过优化这些得分，计算机可以更精确地区分真实标签与错误标签。
其创新的核心在于如何将不同信息片段之间的联系串联起来。系统首先观察标签本身，在标签之间传播信息。如果计算机知道“云”和“天空”经常同时出现，并且它看到了关于“云”的明确负向信号，它就可以利用这一点来调整对“天空”的理解。这一过程并非简单地将相同的信息复制回自身。接着，系统观察图像。它比较不同图片的视觉特征，以查看它们的相似性。如果两张图像看起来相似，系统就会假设它们应该具有相似的标签得分。研究人员将这两个视角——标签之间的关系和图像之间的相似性——结合进了一个统一的学习过程中。他们还增加了一个安全机制，防止系统更改那些已知正确的标签得分，从而确保可靠的数据能够锚定学习过程。
为了测试他们的想法，团队将该方法应用于涉及图像、音乐和生物数据的六个真实世界数据集，以及十八个旨在模拟各种混乱程度的合成场景。他们将这种新方法与该领域使用的六种既有技术进行了对比。结果非常明确：在涵盖不同数据集和衡量标准的一百二十次比较中，该方法在一百次中都取得了最佳平均结果。它在准确性和正确标签排序能力方面始终优于其他方法。研究人员指出，虽然该方法非常有效，但它并不是解决所有错误的万能灵药；它依赖于一个假设，即不在候选列表中的标签确实是无关的。如果这个假设被打破，系统仍然可能出错，但在测试条件下，它被证明是目前最稳健的解决方案。
研究还探讨了当数据中的混乱程度增加时，该方法的表现如何。随着候选标签数量的增加（这使得任务变得更加困难），系统的性能略有下降，但仍优于其他方法。这表明该方法具有韧性，能够在处理显著的歧义性时而不崩溃。研究人员发现，平衡标签关系观察与图像相似性观察至 việc 关重要；过度关注其中之一都会降低系统的有效性。通过仔细调整这些因素，他们创建了一个能够从自身结构中学习的模型，利用已知的负向信息来引导对未知正向信息的发现。
最终，这项工作为机器如何从不完美的数据中学习提供了一个全新的视角。通过将重点从猜测正确答案转向确认错误答案，并利用这种确认来优化猜测，研究人员为计算机理解复杂、多维信息创造了一种更稳定的方式。研究结果表明，在从医疗诊断到图像标记等数据往往存在噪声和不完整性的领域，观察那些明确缺失的信息可能与观察存在的信息同样强大。该方法并不声称解决了所有数据错误的问题，但它为训练机器在指令不明的情况下更准确地观察世界，提供了一条显著清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。