Multi-View Partial Multi-label Learning with Graph-based Disambiguation

【AAAI 2020 阿里巴巴论文】在多视图多标记学习中，每一个训练样本在特征空间由多个特征向量进行刻画，同时在标记空间有多个语义表达。然而，实际问题中，经常存在的标注噪声往往会影响训练样本的质量。在文本中，我们将介绍一种新的学习框架：多视图复杂多标记学习(MVPML)，在框架下，我们认为样本的标记仅是部分有效的候选标记。为解决此问题，我们提出基于图的两段式消歧方法(GRADIS）。该方法通过“候选标记消歧”(Candidate Labels Disambiguation)与“基于消歧的模型生成”(Disambiguation-Guided Model Induction)两个步骤对MVPML问题进行求解。大量的实验验证GRADIS在解决MVPML问题上的有效性。

作者介绍

陈泽森;南舢;卿国;夏颉;张敏灵