Der Artikel befasst sich mit dem Konzept des teilweise gelabelten Lernens (Partial Label Learning, PLL), bei dem jede Instanz mit mehreren Kandidaten-Labels verknüpft ist, von denen nur eines das tatsächliche Ground-Truth-Label ist. Die Hauptherausforderung in PLL besteht darin, das Ground-Truth-Label aus den Kandidaten-Labels zu identifizieren.
Die Autoren stellen fest, dass die bestehenden PLL-Methoden Schwierigkeiten haben, mislabelte Proben zu identifizieren und zu korrigieren. Sie schlagen daher ein neues Appeal-basiertes PLL-Framework namens PLCP vor, das mislabelte Proben die Möglichkeit gibt, "Einspruch" einzulegen und korrigiert zu werden.
PLCP integriert einen zusätzlichen Partner-Klassifikator neben dem Basis-Klassifikator. Der Partner-Klassifikator nutzt die präzisen Informationen der Nicht-Kandidaten-Labels, um den Basis-Klassifikator bei der Identifizierung und Korrektur mislabelter Proben zu unterstützen. Während der gegenseitigen Überwachung verwischen beide Klassifikatoren ihre Vorhersagen, um Überkonfidenzen in bestimmten Labels zu vermeiden.
Umfangreiche Experimente zeigen, dass die Appeal- und Disambiguierungsfähigkeit mehrerer etablierter PLL-Ansätze durch die Kopplung mit diesem Lernparadigma deutlich verbessert werden kann.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Chongjie Si,... في arxiv.org 03-29-2024
https://arxiv.org/pdf/2312.11034.pdfاستفسارات أعمق