BriefGPT - AI 论文速递
·
可扩展的多标签分类的标签分布学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新颖的任务，即Partial labeling and Long-Tailed Multi-Label Classification（PLT-MLC）。提出了一种端到端的学习框架CO-MIC-Balance，用于解决长尾分布和部分标签的多标签分类问题。实验结果表明，该方法在PLT-MLC数据集上具有更高的有效性和鲁棒性。
🎯
关键要点
- 介绍了一种新颖的任务：部分标签和长尾多标签分类（PLT-MLC）。
- 提出了一种端到端的学习框架：CO-MIC-Balance，旨在解决长尾分布和部分标签的多标签分类问题。
- 框架通过比较预测置信度和类特定阈值来修正丢失的标签。
- 使用多聚焦的修饰符损失来解决头部尾部不平衡和正负不平衡。
- 使用平衡分类器来保持所有样本的稳定性。
- 实验结果表明，该方法在PLT-MLC数据集上具有更高的有效性和鲁棒性。
➡️
