Apprentissage adversarial partiel multi-labels

Résumé

L'apprentissage partiel multi-label (PML), qui s'attaque au problème de l'apprentissage de modèles de prédiction multi-label à partir d'instances avec des annotations bruyantes surcomplètes, a récemment commencé à attirer l'attention de la communauté des chercheurs. Dans cet article, nous proposons un nouveau modèle d'apprentissage contradictoire, PML-GAN, dans un cadre d'encodeur-décodeur généralisé pour l'apprentissage partiel multi-label. Le modèle PML-GAN utilise un réseau de désambiguïsation pour identifier les étiquettes bruyantes et utilise un réseau de prédiction multi-label pour mettre en correspondance les instances d'apprentissage avec les vecteurs d'étiquettes désambiguïsées, tout en déployant un réseau adversarial génératif comme mise en correspondance inverse des vecteurs d'étiquettes avec les échantillons de données dans l'espace des caractéristiques d'entrée. L'apprentissage du modèle global correspond à un jeu contradictoire minimax, qui améliore la correspondance des caractéristiques d'entrée avec les étiquettes de sortie dans une correspondance bidirectionnelle. Des expériences approfondies sont menées sur de multiples ensembles de données, et le modèle proposé démontre une performance de pointe pour l'apprentissage partiel multi-labels.