qq_42014059的博客

2015-IEEE论文链接：Lift: Multi-Label Learning with Label-Specific Features | IEEE Journals & Magazine | IEEE Xplore摘要多标签学习处理每个训练示例由单个实例表示同时与一组类标签相关联的问题。对于一个看不见的例子，现有的方法选择基于相同的特征集来确定每个可能的类标签的成员资格，即在所有标签的辨别过程中都采用了看不见的例子的实例表示。然而，这种常用的策略可能不是...

NeurIPS 2021摘要跨模态匹配旨在建立两种不同模态之间的对应关系，是跨模态检索和视觉和语言理解等各种任务的基础。尽管近年来已经提出了大量的跨模态匹配方法并取得了显着进展，但几乎所有这些方法都隐含地假设多模态训练数据是正确对齐的。然而，在实践中，这样的假设是极其昂贵的，甚至不可能满足。基于这一观察，我们揭示并研究了跨模态匹配中一个潜在且具有挑战性的方向，称为噪声对应，它可以被视为噪声标签的新范式。与传统的噪声标签主要指类别标签中的错误不同，我们的噪声对应指的是不匹配的配对样本。为了解决这个..

摘要部分多标签学习（PML）处理每个训练示例与一组过完备的候选标签相关联的问题，其中只有一些候选标签是有效的。 PML 的任务自然出现在监督不准确的学习场景中，其目标是诱导一个多标签预测器，该预测器可以为看不见的实例分配一组适当的标签。 PML训练过程容易被隐藏在候选标签集中的误报标签误导，这是部分多标签学习的主要建模难点。在本文中，提出了一种新颖的两阶段 PML 方法，该方法通过从候选标签集中引出可信标签来进行模型归纳。在第一阶段，通过迭代标签传播估计每个 PML 训练示例的候选标签的标签置信...