Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning

要約

マルチインスタンス部分ラベル学習 (MIPL) は、各トレーニング サンプルが 1 つの真のラベルといくつかの偽陽性を含む候補ラベル セットに関連付けられたマルチインスタンス バッグとして表されるシナリオに対処します。
既存の MIPL アルゴリズムは、ラベル空間の固有の特性や非候補ラベル セットによって提供される監視情報を無視して、曖昧さを排除するためにマルチインスタンス バッグを候補ラベル セットにマッピングすることに主に焦点を当ててきました。
この論文では、ELIMIPL (マルチインスタンス部分ラベル学習のための共役ラベル情報の利用) という名前のアルゴリズムを提案します。これは、共役ラベル情報を活用して曖昧さ回避のパフォーマンスを向上させます。
これを達成するために、ラベル空間の固有のプロパティを組み込んで、候補ラベル セットと非候補ラベル セットの両方に埋め込まれたラベル情報を抽出します。
ベンチマークおよび現実世界のデータセットから得られた実験結果は、提案された ELIMIPL が既存の MIPL アルゴリズムやその他の十分に確立された部分ラベル学習アルゴリズムよりも優れていることを示しています。

要約(オリジナル)

Multi-instance partial-label learning (MIPL) addresses scenarios where each training sample is represented as a multi-instance bag associated with a candidate label set containing one true label and several false positives. Existing MIPL algorithms have primarily focused on mapping multi-instance bags to candidate label sets for disambiguation, disregarding the intrinsic properties of the label space and the supervised information provided by non-candidate label sets. In this paper, we propose an algorithm named ELIMIPL, i.e., Exploiting conjugate Label Information for Multi-Instance Partial-Label learning, which exploits the conjugate label information to improve the disambiguation performance. To achieve this, we extract the label information embedded in both candidate and non-candidate label sets, incorporating the intrinsic properties of the label space. Experimental results obtained from benchmark and real-world datasets demonstrate the superiority of the proposed ELIMIPL over existing MIPL algorithms and other well-established partial-label learning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google