面向不可靠偏标记学习的鲁棒学习框架OA
A Robust Learning Framework for Unreliable Partial-Label Learning
针对不可靠偏标记学习中候选标记集合可能缺失真实标记的问题,提出了一种表示空间和标记空间相互耦合,交替优化的鲁棒学习框架,利用嵌入空间中的 K近邻关系对候选标记集合进行修正并更新动态标记分布.同时,设计了基于动态标记分布引导的原型对比学习和一致性正则化约束以增强特征表示的判别性与鲁棒性,从而促进交替优化过程中候选标记集合修正.通过在合成及真实世界不可靠偏标记数据集上的实验,验证了所提出的鲁棒学习框架的有效性和稳定性.
To address the problem that candidate label sets may exclude the true label in unreliable partial-label learning,a robust learning framework with alternating optimization between the representation space and the label space was proposed.K-nearest neighbor relationships in the embedding space are exploited to refine candidate label sets and update dynamic label distributions.Meanwhile,prototype-based contrastive learning and consistency regularization guided by the dynamic label distributions are introduced to enhance the discriminability and robustness of feature representations,thereby facilitating the refinement of candidate label sets during the alternating optimization process.Extensive experiments conducted on both synthetic and real-world unreliable partial-label datasets demonstrate the effectiveness and stability of the proposed robust learning framework.
李昭仪;张柘;台宪青
中国科学院 空天信息创新研究院,北京 100094||中国科学院大学 电子电气与通信工程学院,北京 100049||苏州空天信息研究院,江苏 苏州 215123中国科学院 空天信息创新研究院,北京 100094||中国科学院大学 电子电气与通信工程学院,北京 100049||苏州空天信息研究院,江苏 苏州 215123中国科学院 空天信息创新研究院,北京 100094||苏州空天信息研究院,江苏 苏州 215123
信息技术与安全科学
偏标记学习不可靠标注场景鲁棒表示学习标记修正一致性正则化标记消歧对比学习
partial-label learningunreliable annotation scenariosrobust representation learninglabel correctionconsistency regularizationlabel disambiguationcontrastive learning
《河南科技大学学报（自然科学版）》 2026 (2)
1-10,10
国家重点研发计划项目(2023YFB3904900)江苏省前沿技术研发计划项目(BF2024027)
评论