标记分布学习LDL与多标记学习MLL以及单标记学习

前言

主要简单介绍标记分布学习LDL/ 多标记学习MLL/ 单标记学习三者的概念与联系。

标记分布学习LDL

如上图所示, 与传统的单标记学习( single label learning, SLL)和多标记学习（mutli label learning, MLL）不同, 在标记分布学习（label distribution leaning, LDL）中，ground-truth label本身就是以标记分布的(离散)形式给出的，目标就是训练模型使得预测的标记分布与ground-truth label （distribution）尽可能匹配、接近。

下面给出**LDL**的正式定义：
记输入空间为$X\in R^q$, 标记的完备集为$Y=(y_1,...,y_c)$, 训练集为： S = { ( x 1 , Y 1 ) , . . . , ( x n , Y n ) } S=\{(x_{1}, Y_{1}), ..., (x_{n}, Y_{n})\} S={(x1​,Y1​),...,(xn​,Yn​)}, 其中$D_i$就是i-th个样本的定义在Y上的ground-truth label distribution。 LDL的目标就是通过优化下面这个问题来学习条件概率分布$p(y|x)$:

其中$p(y|x;\theta )$表示由$\theta$参数化的模型。上式中采用了KL divergence来度量两个分布之间的"距离"。

LDL与MLL和SLL的关系

MLL和SLL可以看做式LDL的特例， 具体来说:
(1)LDL -> MLL
对于MLL, 每个样本$x_i$的标记$Y_i$为$Y$的自子集，对应的优化目标为：

(2)LDL -> SLL
对于SLL，每个样本$x_i$的标记$Y_i$为$Y$中的单个标记，记$x_i$的真实标记为$y(x_i)$

其中$Kr$为Kronecker delta function， 对应的优化目标可以简化为：

其中$y(x_i)$为$x_i$的真实标记，可以看到此时， 最小化KL divergence已经变为最大化似然函数。

LDL都可以用来做哪些任务？

LDL既可以做分类任务也可以用来做回归任务:
(1)做分类任务
hard label的话实际上就是传统的SLL， 当然也可以将其转化为soft label的形式。
(2)做回归任务
一般要对ground-truth value根据其取值范围进行离散化来产生标记的完备集$Y$， 并将每个样本的ground-truth value固定到Y中最近的值， 然后再将其转化为定义在Y的值得分布形式：一般常用高斯分布，即以ground-truth value作为mean value。 模型预测（经过softmax）的结果也是概率分布的形式。

References

1.Label Distribution Learning, TKDE, 2016