标记分布集成学习

沈小霞,许哲源,於东军,贾修一

(南京理工大学 计算机科学与工程学院,江苏 南京 210094)

标记多义性问题是机器学习领域的热门研究方向。在现有的机器学习范式中,解决标记多义性问题的框架主要有两种,即单标签学习(Single-label learning,SLL)和多标签学习(Multi-label learning,MLL)[1]。SLL即为标准监督学习的特例,其假设每个样例只属于单个类,对应于现实世界中每个实例只有一个标签的情况。MLL是SLL框架的扩展。在MLL中,一个实例可以同时与多个类别标记相关联。实际上这两种传统标签学习都旨在回答一个基本问题,“哪个/些标签可以描述实例?”。相对于SLL而言,MLL允许答案由多个标签构成,从而可以在一定程度上处理标签的歧义问题。然而,SLL和MLL都不能应用到更详尽的问题,即它们没有办法进一步回答“每个标记描述实例的程度是多少?”。也就是说,传统的标签学习范式不能给出标签所占实例描述的相对比重。

在现实世界中,标签间相对比重所隐含的信息可能比许多人想象的更常见。一个典型例子是面部表情的情绪分析。面部表情经常传达多种基本情绪的复杂混合,每种基本情感在表达中起着不同的作用,所有基本情绪的相对强度自然形成面部表情的情绪分布。通过将具有最高强度的情绪或具有高于阈值的强度的情绪视为阳性标记,该问题可以选择SLL或MLL作为解决方案。然而这样做的代价是,将会失去相关情绪的不同强度的重要信息,这也就意味着,单靠SLL或MLL框架无法准确预测人物在现实图片所表现的复杂情感。……