不确定性感知的部分标签学习
内容提要
该文综述部分标签学习研究，利用众包标注、伪标签与对比学习、概率生成模型、自我训练、非对称损失等方法，解决标注不足与歧义问题，在文本分类、对象分类、医学图像分割和回归任务中提升准确率与消歧能力，并探讨零样本分类应用。
延伸解读
众包标注与伪标签对比学习
文章提到，通过众包标注系统和基于伪标签与对比学习的新方法，解决了因用户知识、文化背景差异及监督信息高成本导致的标注不充分和含糊问题，实现了半监督部分标签学习的最先进表现。这表明结合众包与对比学习能有效利用不完美标注，提升模型在歧义数据上的鲁棒性。
概率生成模型与零样本分类
文章提出一种基于概率生成模型的部分标注工具，能估计多个噪声偏差，扩展了程序化弱监督基础。在3个文本分类和6个对象分类任务上，部分标注平均准确率提高8.6%，并探讨了在零样本对象分类中的应用。这显示了概率生成模型在处理噪声标注和零样本场景的潜力。
医学图像分割中的不确定性校准
文章探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同不确定性估计和采集策略，证明选定区域标注可显著减少人工标注像素数量。这为医学图像分析中降低标注成本提供了实用思路。
部分标签回归与自我训练
文章提出了首个部分标签回归的简单基线和改进型候选标签鉴定方法，并证明了模型一致性和收敛分析。此外，还提出采用自我训练处理部分标签数据，使用基于最大无穷范数的伪标签技术和二次规划优化，在自制和真实数据集上优于现有方法。这些工作拓展了部分标签学习到回归任务。
Q&A
部分标签学习主要解决什么问题？
部分标签学习主要解决因用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题。
有哪些方法可以用于部分标签学习？
部分标签学习的方法包括众包标注、伪标签与对比学习、概率生成模型、自我训练、非对称损失函数、合作分类器与相互监督范式等。
部分标签学习在哪些任务中取得了效果？
部分标签学习在文本分类、对象分类、医学图像分割和回归任务中提升了准确率与消歧能力，并探讨了零样本分类应用。
部分标签学习如何提升模型性能？
通过利用众包标注、伪标签与对比学习、概率生成模型、自我训练、非对称损失等方法，部分标签学习能够提升准确率与消歧能力，例如在文本和对象分类任务中平均准确率提高8.6%。
部分标签学习在医学图像分割中有什么应用？
在医学图像分割任务中，通过不确定性校准和主动学习框架，选定区域标注可以显著减少需要人工标注的像素数量。
部分标签学习如何处理标签不平衡问题？
通过伪标注技术、新的损失函数和动态训练方案来优化模型性能，解决多标签分类中的标签不平衡问题。
