Deterministic Multi-Label Learning Based on Similarity
内容提要
本研究提出了多种多标签学习方法，如AMuLaP、SLDL和GLEMIML，旨在提升少样本文本和图像分类的性能。通过预训练模型和弱监督学习，实验结果表明这些方法在多个数据集上优于现有技术，特别是在零样本识别和分类准确性方面表现突出。
延伸解读
多标签学习的技术路线多样性
文章汇总了多种多标签学习方法，涵盖少样本文本分类、标签分布学习、零样本图像识别、弱监督与半监督学习等方向。这些方法分别从标签映射、潜在空间分布、预训练模型知识利用、伪标签控制等角度切入，反映出该领域尚未形成统一框架，不同任务需匹配不同策略。读者可借此了解多标签学习的问题广度与主流解决思路。
预训练模型与提示学习的协同价值
针对多标签图像识别，文章介绍了一种无需训练数据的框架，利用大型语言模型生成对象特性与背景知识，再通过层次化提示学习让CLIP等视觉-语言模型适应多标签分类。该方法在MS-COCO等数据集上零样本mAP提升超过4.7%，说明跨模态预训练模型的语义对齐能力可有效迁移至多标签场景，为减少标注依赖提供了可行路径。
弱监督与半监督学习的实用进展
文章提及弱监督多标签学习通过伪标签训练分类器并引导主动学习，能恢复缺失的真实标签并提升预测性能；CAP方法则通过类感知阈值控制伪标签数量与类别分布，解决半监督多标签问题。这些工作表明，在标注成本高昂时，合理利用未标注数据与伪标签策略可显著改善泛化能力，但伪标签质量与分布约束仍是关键挑战。
图方法与单正多标签的探索
GLEMIML框架通过图结构挖掘实例间相关性，并将隐含信息迁移至标签空间以恢复标签重要性，在多个基准上AvgRank优于SOTA。类别先验引导的单正多标签学习则引入先验估计器与无偏风险估计器，在十个基准数据集上表现更优。这些方法针对标签相关性建模和单正标签场景提供了新思路，但实际部署时需考虑图构建开销与先验估计的准确性。
Q&A
AMuLaP方法的主要特点是什么？
AMuLaP方法利用一对多标签映射和基于统计的算法自动选择少样本文本分类的标签映射。
SLDL方法在多标签分类中有什么优势？
SLDL方法通过在潜在空间中描述标签分布，具有较低的计算消耗，且与标签数量无关。
如何实现无需训练数据的多标签图像识别？
通过利用预训练大型语言模型的知识进行提示学习，构建无需训练数据的多标签图像识别框架。
CAP方法如何解决半监督多标签学习问题？
CAP方法通过控制伪标签数量和类别分布，设计基于类感知阈值的规则学习框架，提升泛化能力。
GLEMIML框架的工作原理是什么？
GLEMIML框架通过建立图识别实例之间的相关性，提高分类性能，并通过非线性映射恢复标签的重要性。
BMIML框架的创新模块有哪些？
BMIML框架包含基于BLS的自动加权标签增强学习、可缩放多实例概率回归和交互式决策优化三个创新模块。
