ICLR 2022最佳论文解读

最新推荐文章于 2023-02-17 13:22:37 发布

fareise

最新推荐文章于 2023-02-17 13:22:37 发布

阅读量1.3k

点赞数 5

文章标签：机器学习人工智能深度学习

本文链接：https://blog.csdn.net/fareise/article/details/126436986

版权

本文解析ICLR 2022最佳论文PiCO，该论文针对Partial Label Learning（PLL）问题，引入对比学习和标签消歧方法，形成良性循环提升学习效果。通过对比学习生成高质量表示，结合聚类进行标签消歧，实验结果显示PiCO在PLL问题上表现出色。

摘要由CSDN通过智能技术生成

微信公众号“圆圆的算法笔记”，持续更新NLP、CV、搜推广干货笔记和业内前沿工作解读~
后台回复“交流”加入“圆圆的算法笔记”交流群；回复“时间序列“、”多模态“、”迁移学习“、”NLP“、”图学习“、”表示学习“、”元学习“等获取各个领域干货算法笔记~

今天给大家介绍ICLR 2022最佳论文PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING，这篇文章解决的是Partial Label Learning（PLL）问题，即训练数据中一个图像不是一个确定的label，而是一组可能的label集合，需要预测出每个样本的真实label。

下载地址：https://openreview.net/pdf?id=EhYjZy6e1gJ

1. 什么是Partial label learning (PLL)

有监督学习是最常见的一种机器学习问题，给定一个输入样本，预测该样本的label是什么。Partial Label Learning（PLL）问题也是预测一个样本对应的label，但是和有监督学习问题的差异是，PLL问题的训练数据中，一个输入样本对应多个候选label，真正的label是候选label中的一个。

为什么会有PLL这样的问题呢？因为在现实问题中，label来自于人工标注，而有的样本人工标注比较困难，只标注一个label会造成噪声较大的问题。例如下面的例子中，比较难区分这张狗对应的类别是哈士奇、雪橇犬还是萨摩耶，强行让人工标注成一个确定的label容易在数据中引入噪声。PLL放宽了这种限制，在标注的label