最近看到了这篇文章,觉得可以拿来参考,先做个阅读笔记记录一下。
论文阅读
先附上论文地址
背景介绍
这篇文章研究的问题是在多视图多标签学习(MVML)学习中标签不可信的问题。
在常规的MVML研究中,通常假定针对每个训练实例都已对所有相关标签进行了精确注释。
但是,在许多现实世界的场景中,通常很难获得精确的注释,而且成本很高。所以文章建模了一种问题是多标签部分有效场景下的学习问题MVPML(Multi-View Par-tial Multi-label Learning),并以此提出了它的方法进行实验。
提出的方法
该文章提出了一个名为GRADIS(GRAph-based DISambiguation)的方法,大致上分为两步完成任务,一是重新表示标签,二是重新表示特征。
Candidate Labels Disambiguation
这部分工作的目的是消除训练数据的原生标签集的错误,得到一份新的标签。
首先定义 N ( x i v ) \mathcal N(x_{i}^{v}) N(xiv)为样本