論文の概要: Feature-Label Modal Alignment for Robust Partial Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2604.09064v1
• Date: Fri, 10 Apr 2026 07:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.756987
• Title: Feature-Label Modal Alignment for Robust Partial Multi-Label Learning
• Title（参考訳）: 頑健な部分的マルチラベル学習のための特徴ラベルモーダルアライメント
• Authors: Yu Chen, Weijun Lv, Yue Huang, Xiaozhao Fang, Jie Wen, Yong Xu, Guanbin Li,
• Abstract要約: 特徴ラベルアライメント(PML-MA)に基づく新しいPML手法を提案する。 PML-MAは特徴とラベルを2つの相補的なモダリティとして扱い、体系的なアライメントを通じて一貫性を回復する。 実世界のデータセットと合成データセットの両方の実験では、PML-MAが最先端の手法を大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 66.1611192892514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In partial multi-label learning (PML), each instance is associated with a set of candidate labels containing both ground-truth and noisy labels. The presence of noisy labels disrupts the correspondence between features and labels, degrading classification performance. To address this challenge, we propose a novel PML method based on feature-label modal alignment (PML-MA), which treats features and labels as two complementary modalities and restores their consistency through systematic alignment. Specifically, PML-MA first employs low-rank orthogonal decomposition to generate pseudo-labels that approximate the true label distribution by filtering noisy labels. It then aligns features and pseudo-labels through both global projection into a common subspace and local preservation of neighborhood structures. Finally, a multi-peak class prototype learning mechanism leverages the multi-label nature where instances simultaneously belong to multiple categories, using pseudo-labels as soft membership weights to enhance discriminability. By integrating modal alignment with prototype-guided refinement, PML-MA ensures pseudo-labels better reflect the true distribution while maintaining robustness against label noise. Extensive experiments on both real-world and synthetic datasets demonstrate that PML-MA significantly outperforms state-of-the-art methods, achieving superior classification accuracy and noise robustness.
• Abstract（参考訳）: 部分的マルチラベル学習(PML)では、各インスタンスは、基底真実と雑音ラベルの両方を含む候補ラベルのセットに関連付けられている。 ノイズラベルの存在は特徴とラベルの対応を阻害し、分類性能を低下させる。 この課題に対処するために,特徴とラベルを2つの相補的なモダリティとして扱い,体系的なアライメントを通じてそれらの一貫性を回復する特徴ラベルアライメント(PML-MA)に基づく新しいPML手法を提案する。 具体的には、PML-MAはまず低ランク直交分解を用いて、ノイズラベルをフィルタリングすることで真のラベル分布を近似する擬似ラベルを生成する。 その後、グローバルな射影を通して特徴と擬似ラベルを共通部分空間に整列し、近隣構造の局所保存を行う。 最後に、マルチピーククラスのプロトタイプ学習メカニズムは、複数のカテゴリに同時に属するマルチラベルの性質を活用し、擬似ラベルをソフトメンバーシップウェイトとして利用し、識別性を高める。 モーダルアライメントとプロトタイプ誘導リファインメントを統合することにより、PML-MAは、ラベルノイズに対するロバスト性を維持しながら、擬似ラベルを真の分布をよりよく反映する。 実世界のデータセットと合成データセットの両方に対する大規模な実験により、PML-MAは最先端の手法よりも優れ、より優れた分類精度とノイズ堅牢性を実現していることが示された。

関連論文リスト

• Revisiting Sparsity Constraint Under High-Rank Property in Partial Multi-Label Learning [48.528799044535155]
  部分的マルチラベル学習(PML)は、各サンプルが候補ラベルセットと関連付けられたシナリオまで、マルチラベル学習パラダイムを拡張している。 既存のPML法はノイズラベル行列の空間性とグランドトラスラベル行列の低ランク性という2つの仮定に依存している。 本稿では,予測されたラベル行列に高階特性を付与しつつ,ノイズラベル行列に空間性制約を導入する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:25:50Z)
• Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
  部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。 初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。 ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
  論文  参考訳（メタデータ） (2024-12-06T13:25:39Z)
• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Scalable Label Distribution Learning for Multi-Label Classification [43.52928088881866]
  マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。 既存のMLC法の多くは、ラベルペア内の2つのラベルの相関が対称であるという仮定に基づいている。 既存のほとんどの手法はラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。
  論文  参考訳（メタデータ） (2023-11-28T06:52:53Z)
• 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)
• 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。