#今日论文推荐#ICLR 2022最佳论文：基于对比消歧的偏标签学习

#今日论文推荐#ICLR 2022最佳论文：基于对比消歧的偏标签学习

现代深度神经网络的训练通常需要大量有标签的数据(labeled data)，这给训练数据的收集带来了巨大的困难。这是因为给现实世界中的数据打标签 (data annotation) 会存在标签模糊 (label ambiguity) 和噪声的影响。
如图 1 所示，对于给图片打标签的人 (human annotator) 来说，将阿拉斯加雪撬犬这个这个正确的标签从它的候选标签集 {哈士奇犬、阿拉斯加犬、萨摩耶犬} 中选出来是很困难的，因为这几种犬类长得非常相似。标签模糊性 (label ambiguity) 的问题在许多应用中普遍存在，但经常被忽视。这就突显出了偏标签学习 (partial label learning PLL) 的重要性。
在 PLL 中，每个训练数据都会有一组候选标签集 (candidate labels)，而不是一个人工标注的"正确"标签 (ground-truth label)。这与有监督学习不同，在有监督学习 (supervised learning) 下，每个训练数据都必须选择一个"正确"标签。所以，由于 PLL 问题的打标签成本相对较低，在各种应用下都被认为是更常见且实用的。
具体来说，PLL 问题的定义如下：令 为输入空间(input space)， 为输出的标签空间(output label space)。我们考虑一个训练数据集 ，其中每个元组 (tuple) 都包括一张图像 (image) 和一个候选标签集 (candidate label set) 。与监督学习 (supervised learning) 相同，PLL 的目标是获得一个映射函数，该函数可以根据输入预测出相应的一个正确标签 (true label)。与监督学习不同的是，PLL 在标签空间 (label space) 有更多的不确定性。PLL 的一个基本假设是，一张图像的正确标签 (ground-truth label) 隐藏在其的候选标签集中 ，且在训练时对模型 (learner) 是不可见的 (invisible)。因此，与拥有显式正确标签的有监督学习相比，PLL 的训练过程会受到固有的 (inherent) 标签模糊性的影响。

论文题目：PiCO: Contrastive Label Disambiguation for Partial Label Learning
详细解读：https://www.aminer.cn/research_report/62eb31be7cb68b460ffb3983https://www.aminer.cn/research_report/62eb31be7cb68b460ffb3983
AMiner链接：https://www.aminer.cn/?f=cs