論文の概要: From Ambiguity to Action: A POMDP Perspective on Partial Multi-Label Ambiguity and Its Horizon-One Resolution
- arxiv url: http://arxiv.org/abs/2602.04255v1
- Date: Wed, 04 Feb 2026 06:36:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.404044
- Title: From Ambiguity to Action: A POMDP Perspective on Partial Multi-Label Ambiguity and Its Horizon-One Resolution
- Title（参考訳）: あいまいさから行動へ:部分的マルチラベルあいまいさと水平一点分解能のPOMDP的展望
- Authors: Hanlin Pan, Yuhao Tang, Wanfu Gao,
- Abstract要約: 重要な課題は、曖昧な候補ラベルが、機能エンジニアリングのような下流タスクにエラーを伝達できることだ。
我々は,PMLリスク最小化を期待回帰段階1に変換するために,部分観測可能なマルコフ決定プロセス(POMDP)として,曖昧さと特徴選択タスクを共同でモデル化する。
本稿では、PML-POMDP対応の理論解析と、誤りを擬似ラベル品質項とサンプルサイズに分解する過剰リスク境界について述べる。
- 参考スコア（独自算出の注目度）: 12.99941371793082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In partial multi-label learning (PML), the true labels are unobserved, which makes label disambiguation important but difficult. A key challenge is that ambiguous candidate labels can propagate errors into downstream tasks such as feature engineering. To solve this issue, we jointly model the disambiguation and feature selection tasks as Partially Observable Markov Decision Processes (POMDP) to turn PML risk minimization into expected-return maximization. Stage 1 trains a transformer policy via reinforcement learning to produce high-quality hard pseudo-labels; Stage 2 describes feature selection as a sequential reinforcement learning problem, selecting features step by step and outputting an interpretable global ranking. We further provide the theoretical analysis of PML-POMDP correspondence and the excess-risk bound that decompose the error into pseudo label quality term and sample size. Experiments in multiple metrics and data sets verify the advantages of the framework.
- Abstract（参考訳）: 部分的マルチラベル学習(PML)では、真のラベルは観測されていないため、ラベルの曖昧さは重要だが困難である。
重要な課題は、曖昧な候補ラベルが、機能エンジニアリングのような下流タスクにエラーを伝達できることだ。
そこで本研究では,PMLのリスク最小化を最大化するために,不明瞭化タスクと特徴選択タスクを部分的に観測可能なマルコフ決定プロセス(POMDP)として共同でモデル化する。
ステージ1は、強化学習を通じてトランスフォーマーポリシーを訓練し、高品質な硬質擬似ラベルを生成する。ステージ2は、特徴選択を逐次強化学習問題として記述し、ステップバイステップで特徴選択し、解釈可能なグローバルランキングを出力する。
さらに、PML-POMDP対応の理論解析と、エラーを擬似ラベル品質項とサンプルサイズに分解する過剰リスク境界について述べる。
複数のメトリクスとデータセットの実験は、フレームワークの利点を検証する。
関連論文リスト
- Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。
既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。
分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
論文 参考訳（メタデータ） (2025-12-19T16:58:31Z) - Noise-Resistant Label Reconstruction Feature Selection for Partial Multi-Label Learning [3.635311806373203]
次元の急激さ」は様々なデータパターンにまたがって広まり、モデルオーバーフィットのリスクが増大し、モデル分類性能が低下する。
既存のPML(Partial Multi-label Learning)メソッドは、主に低ランクな仮定に基づいている。
本稿では,データセットの2つの重要な特徴を考慮したPML特徴選択手法を提案する。
論文 参考訳（メタデータ） (2025-06-05T06:31:04Z) - Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。
半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。
本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文 参考訳（メタデータ） (2024-07-26T09:33:53Z) - Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。
これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。
本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文 参考訳（メタデータ） (2023-08-31T13:37:28Z) - Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。
具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。
各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
論文 参考訳（メタデータ） (2023-05-10T04:02:08Z) - Learning in Imperfect Environment: Multi-Label Classification with
Long-Tailed Distribution and Partial Labels [53.68653940062605]
新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。
その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。
textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
論文 参考訳（メタデータ） (2023-04-20T20:05:08Z) - A Deep Model for Partial Multi-Label Image Classification with Curriculum Based Disambiguation [42.0958430465578]
部分多重ラベル(PML)画像分類問題について検討する。
既存のPMLメソッドは通常、ノイズの多いラベルをフィルタリングするための曖昧な戦略を設計する。
本稿では,PMLの表現能力と識別能力を高めるための深層モデルを提案する。
論文 参考訳（メタデータ） (2022-07-06T02:49:02Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-06-01T14:26:30Z) - SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。
我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
論文 参考訳（メタデータ） (2020-08-16T11:07:44Z) - Partial Multi-label Learning with Label and Feature Collaboration [21.294791188490056]
部分的マルチラベル学習(PML)は、各トレーニングインスタンスに候補ラベルのセットをアノテートするシナリオをモデル化する。
PMLデータに対する信頼性のある予測器を実現するため,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration)を提案する。
PML-LFCは、ラベルと特徴空間の両方から類似性を用いて、各インスタンスの関連ラベルの信頼性値を推定する。
論文 参考訳（メタデータ） (2020-03-17T08:34:45Z)
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。