論文の概要: Rethinking Consistent Multi-Label Classification under Inexact Supervision

• arxiv url: http://arxiv.org/abs/2510.04091v1
• Date: Sun, 05 Oct 2025 08:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.452232
• Title: Rethinking Consistent Multi-Label Classification under Inexact Supervision
• Title（参考訳）: 不正確なスーパービジョンの下での一貫性のあるマルチラベル分類の再考
• Authors: Wei Wang, Tianhao Ma, Ming-Kun Xie, Gang Niu, Masashi Sugiyama,
• Abstract要約: 部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
• 参考スコア（独自算出の注目度）: 60.79309683889278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial multi-label learning and complementary multi-label learning are two popular weakly supervised multi-label classification paradigms that aim to alleviate the high annotation costs of collecting precisely annotated multi-label data. In partial multi-label learning, each instance is annotated with a candidate label set, among which only some labels are relevant; in complementary multi-label learning, each instance is annotated with complementary labels indicating the classes to which the instance does not belong. Existing consistent approaches for the two paradigms either require accurate estimation of the generation process of candidate or complementary labels or assume a uniform distribution to eliminate the estimation problem. However, both conditions are usually difficult to satisfy in real-world scenarios. In this paper, we propose consistent approaches that do not rely on the aforementioned conditions to handle both problems in a unified way. Specifically, we propose two unbiased risk estimators based on first- and second-order strategies. Theoretically, we prove consistency w.r.t. two widely used multi-label classification evaluation metrics and derive convergence rates for the estimation errors of the proposed risk estimators. Empirically, extensive experimental results validate the effectiveness of our proposed approaches against state-of-the-art methods.
• Abstract（参考訳）: 部分的マルチラベル学習と相補的マルチラベル学習は、注釈付きマルチラベルデータを正確に収集する際の高いアノテーションコストを軽減することを目的とした、弱い教師付きマルチラベル分類パラダイムである。 部分的マルチラベル学習では、各インスタンスは候補ラベルセットでアノテートされ、いくつかのラベルのみが関連付けられ、補完的なマルチラベル学習では、各インスタンスは、そのインスタンスが属さないクラスを示す補完ラベルでアノテートされる。 2つのパラダイムの既存の一貫したアプローチは、候補または補完ラベルの生成過程を正確に推定するか、あるいは、推定問題を除去するために一様分布を仮定するかのいずれかを必要とする。 しかし、どちらの条件も現実のシナリオでは満たせない。 本稿では,上記の条件に依存しない一貫したアプローチを提案し,両問題を統一的に処理する。 具体的には,第1次および第2次戦略に基づく2つの非バイアスリスク推定手法を提案する。 理論的には、2つの広く使われている多ラベル分類評価指標の整合性を証明し、提案したリスク推定器の推定誤差に対する収束率を導出する。 実験により,提案手法の有効性を実験的に検証した。

関連論文リスト

• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。