通过辅助高置信实例级损失促进从标签比例学习

本研究解决了从标签比例学习（LLP）中伪标签不准确的问题，这种情况在大包大小场景下尤为严重，影响了分类器的性能。提出了一种新的方法L^2P-AHIL，它通过双熵加权方法自适应测量伪标签的置信度，从而同时强调包级和实例级的准确预测。实验结果表明，该方法在基准数据集上性能优于现有基线方法，尤其在大包上效果更显著。